|
|
Publications about Learning base
Result of the query in the list of publications :
2 Conference articles |
1 - Apprentissage non supervisé des SVM par un algorithme des K-moyennes entropique pour la détection de zones brûlées.
O. Zammit and X. Descombes and J. Zerubia. In Proc. GRETSI Symposium on Signal and Image Processing, Troyes, France, September 2007.
Keywords : Satellite images, Forest fires, Burnt areas, Classification, Support Vector Machines, Learning base.
@INPROCEEDINGS{zammit_gretsi_07,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Apprentissage non supervisé des SVM par un algorithme des K-moyennes entropique pour la détection de zones brûlées}, |
| year |
= |
{2007}, |
| month |
= |
{September}, |
| booktitle |
= |
{Proc. GRETSI Symposium on Signal and Image Processing}, |
| address |
= |
{Troyes, France}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2007_zammit_gretsi_07.pdf}, |
| keyword |
= |
{Satellite images, Forest fires, Burnt areas, Classification, Support Vector Machines, Learning base} |
| } |
|
2 - Textural Kernel for SVM Classification in Remote Sensing : Application to Forest Fire Detection and Urban Area Extraction.
F. Lafarge and X. Descombes and J. Zerubia. In Proc. IEEE International Conference on Image Processing (ICIP), Genoa, Italy, September 2005.
Keywords : Support Vector Machines, Learning base, Markov Fields, Forest fires, Urban areas.
Copyright : IEEE
@INPROCEEDINGS{lafarge_icip05,
|
| author |
= |
{Lafarge, F. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Textural Kernel for SVM Classification in Remote Sensing : Application to Forest Fire Detection and Urban Area Extraction}, |
| year |
= |
{2005}, |
| month |
= |
{September}, |
| booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
| address |
= |
{Genoa, Italy}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2005_lafarge_icip05.pdf}, |
| keyword |
= |
{Support Vector Machines, Learning base, Markov Fields, Forest fires, Urban areas} |
| } |
|
 top of the page
Technical and Research Report |
1 - Noyaux Texturaux pour les Problèmes de Classification par SVM en Télédétection.
F. Lafarge and X. Descombes and J. Zerubia. Research Report 5370, INRIA, France, December 2004.
Keywords : Support Vector Machines, Classification, Forest fires, Urban areas, Learning base, Markov Fields.
@TECHREPORT{5370,
|
| author |
= |
{Lafarge, F. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Noyaux Texturaux pour les Problèmes de Classification par SVM en Télédétection}, |
| year |
= |
{2004}, |
| month |
= |
{December}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5370}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00070633}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/70633/filename/RR-5370.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/06/33/PS/RR-5370.ps}, |
| keyword |
= |
{Support Vector Machines, Classification, Forest fires, Urban areas, Learning base, Markov Fields} |
| } |
Résumé :
Nous détaillons dans ce rapport la construction de deux noyaux texturaux s'utilisant dans les problèmes de classification par «Support Vector Machines» en télédétection. Les SVM constituent une méthode de classification supervisée particulièrement bien adaptée pour traiter des données de grande dimension telles que les images satellitaires. Par cette méthode, nous souhaitons réaliser l'apprentissage de paramètres qui permettent la différenciation entre deux ensembles de pixels connexes non-identiques. Nous travaillons pour cela sur des fonctions noyaux, fonctions caractérisant une certaine similarité entre deux données. Dans notre cas, cette similarité sera fondée à la fois sur une notion radiométrique et sur une notion texturale. La principale difficulté rencontrée dans cette étude réside dans l'élaboration de paramètres texturaux pertinents qui modélisent au mieux l'homogénéité d'un ensemble de pixels connexes. Nous appliquons les noyaux proposés à deux problèmes de télédétection: la détection de feux de forêt et la détection de zones urbaines à partir d'images satellitaires haute résolusion. |
Abstract :
We present in this report two textural kernels for «Support Vector Machines» classification applied to remote sensing problems. SVMs constitute a method of supervised classification well adapted to deal with data of high dimension, such as images. We would like to learn parameters which allow the differentiation between two sets of connected pixels. We also introduce kernel functions which characterize a notion of similarity between two pieces of data. In our case this similarity is based on a radiometric charateristic and a textural characteristic. The main difficulty is to elaborate textural parameters which are pertinent and characterize as well as possible the homogeneity of a set of connected pixels. We apply this method to remote sensing problems : the detection of forest fires and the extraction of urban areas in high resolution satellite images. |
|
top of the page
These pages were generated by 
|
2011 Activity report
get the bibtex
