Académique Documents
Professionnel Documents
Culture Documents
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Introduction
Objectif: dtecter des changements significatifs pour des observatoires photographiques du paysage.
Observatoire photographique du paysage: il est constitu de sries de clichs, reprsentant un certain territoire, prise au sol des grands intervalles de temps Srie photographique: (srie rcente, sries avec images anciennes). Problmes particuliers: la dtection des changements soulve des problmes particuliers Les grandes intervalles temporels: (par exemple 2, 3, parfois des dizaines dannes) entrainent beaucoup de changements dans les images. Si une image a t prise plusieurs annes aprs une autre image: problmes de trouver les points de vues, les cadrages, etc.
Mario Gharib (UL/UPS)
2010 2011
2/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Introduction
Les mthodes classiques de detection des changements:
Ils ont tendance dtecter des changements partout dans limage. Ils sont bases sur les variations du niveau de gris/couleur des pixels.
Alternative: Effectuer une classification des pixels en composants du paysage et puis on dtecte les changements.
Les classifications :
2010 2011
3/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Introduction
Les principaux objectifs de ce travail de recherche sont les suivants :
effectuer un tat de lart des mthodes de classification des pixels dune image ; valuer les performances de ces mthodes sur une sries de clichs provenant dobservatoires photographiques du paysage ; proposer une mthode permettant de mettre en vidence les changements significatifs dans une srie de photographies.
2010 2011
4/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
5/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
Vecteur dattribut: chaque donne est reprsente par un vecteur dattribut, not:
2010 2011
6/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
7/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
8/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
l+u
l+u
2010 2011
9/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
10/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
11/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
12/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
13/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
14/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)
2010 2011
15/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
2010 2011
16/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
2010 2011
17/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Rsultats exprimentaux
Mthode dvaluation: Comparer les images de rfrences avec les images binaires classifies correspondantes, en utilisant:
Rsultats:
2010 2011
18/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Eliminer les erreurs gomtrique et radiomtrique: pour liminer tous les changements dintensits rsultant.
Appliquer un mthode de classification semi-supervise: on propose dutiliser la mthode semi-supervise S3VM, or la sortie est limage classifie et un ensemble des images dlments du paysage. Comparer les images dlments: la comparaison est effectue partir de la diffrenciation de ces images.
3.
4.
Dtection des changements: la comparaison va nous permettre de mise en vidence de tous les changements partir dun image binaire (le rsultat de la diffrenciation des images des lments).
Dtection des Changements pour les Observatoires Photographiques du Paysages
2010 2011
19/20
Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion
Conclusion
1.
2. 3.
4.
2010 2011
20/20