Optimisation de la recherche d’image cartographique par le contenu lié à un phénomène géographique
No Thumbnail Available
Date
2021-08-07
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universty of Eloued جامعة الشهيد حمه لخضر
Abstract
الملخص:
تتمثل إحدى المشكلات الحاسمة بعد الزلازل في كيفية اكتشاف وتحديد المناطق المتضررة بسرعة وبدقة؟ تم تطوير العديد من الطرق الآلية لتحليل صور الاستشعار عن بعد (RS) لغرض التمكن من تصنيف الأضرار الزلزالية.
يعتمد أداء تصنيف الضرر بشكل أساسي على قوة تمثيلات ميزات التعلم التي يتم أخذها في الاعتبار. على الرغم من أن الميزات المصنوعة يدويًا يمكن أن تحقق أداءً مرضيًا إلى حد ما ، إلا أن مكاسب الأداء صغيرة ولا يتم تعميمها بشكل جيد دائمًا.
في الآونة الأخيرة ، أثبتت الشبكة العصبية التلافيفية (CNN) قدرتها على اشتقاق تمثيلات ميزات أكثر قوة من الميزات المصنوعة يدويًا في العديد من المجالات.
مساهمتنا الرئيسية المنجزة في هذه الاطروحة هي تقييم التمثيلات الهجينة للسمات المستمدة من العديد من نماذج CNN المدربة مسبقًا لتصنيف الأضرار الزلزالية. علاوة على ذلك في هذه الدراسة ، على عكس الدراسات السابقة ، نستكشف إمكانية استغلال مجموعة تمثيلات الميزات المستخرجة من كلا الطبقتين المتصلتين بالكامل (FC1 et FC2) لكل نموذج CNN مستخدم.
لقد تحققنا من كفاءة وأداء مقترحاتنا في مجموعتين كبيرتين من البيانات، تحتوي على صور شديدة التباين في خصائص المشهد وظروف الإضاءة وخصائص ألصورة التي تم التقاطها من أحداث زلزالية مختلفة في مناطق جغرافية متعددة. أظهرت التجارب المكثفة أن اقتراحنا يمكن أن يحسن الأداء بشكل ملحوظ.
Résumé : فرنسية أو انجلزية
L’un des problèmes cruciaux après le tremblement de terre est de savoir comment détecter et identifier rapidement et précisément les régions endommagées ? Plusieurs méthodes automatisées ont été développées pour analyser les images de télédétection (RS) afin de pouvoir procéder à la classification des dommages sismiques.
La performance de la classification des dommages dépend principalement de la puissance de représentations des caractéristiques prises en compte. Bien que les caractéristiques de bas niveau (provenant d’experts) puissent atteindre des performances satisfaisantes dans une certaine mesure, le gain de performances est faible et ne se généralise pas toujours bien.
Récemment, le réseau de neurones convolutif (CNN) a démontré sa capacité à dériver des représentations de caractéristiques plus puissantes que les caractéristiques de bas niveau dans de nombreux domaines.
Notre contribution principale réalisée dans cette thèse est l’évaluation des représentations hybrides de caractéristiques dérivées à partir de plusieurs modèles pré-entraînées de CNN pour la classification des dommages sismiques. De plus, dans cette étude, contrairement aux études précédentes, nous explorons la possibilité d’exploiter la combinaison des vecteurs de caractéristiques extraites à la fois de deux premières couches entièrement connectées (FC1 et FC2) de chaque modèle CNN utilisé.
Nous avons validé nos propositions sur deux grands ensembles de données, y compris des images fortement variées en termes de caractéristiques de la scène, de conditions d’éclairage et de caractéristiques des images, capturées à partir de différents événements sismiques dans plusieurs régions géographiques. Des expériences intensives ont montré que notre proposition peut améliorer considérablement les performances.
Description
Systèmes d'information interopérables (SII):أطروحة دكتوراه تخصص
Keywords
الاستشعار عن بعد ، تصنيف الضرر الزلزالي ، تمثيل الخصائص الهجينة ، شبكة CNN المدربة مسبقًا و التعلم العميق., Télédétection, Classification des dommages sismiques, Représentation des caractéristiques hybrides, CNN pré-entraîné et Apprentissage en profondeur