ANR ASTERIX (2013-2017)

Suite à une profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de considérer de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation.

Le but du projet ASTERIX (Analyse Spatio­-temporelle pour la Télédétection de l’Environnement par Reconnaissance dans les Images compleXes), et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images de télédétection. Dans ce contexte, les principaux verrous scientifiques concernent la dimensionnalité, l’hétérogénéité, le volume, le caractère spatio-temporel, et l’évolution temporelle des données images.

Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaines du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés, littoral et montagnard, en considérant dans le premier cas la dynamique d’objets environnementaux indicateurs de l’évolution du littoral, et dans le second cas la dynamique de colonisation des prairies par le frêne dans les Hautes-Pyrénées et la dynamique de processus géologiques (glaciers et glissements de terrain).

Contexte du projet

Le projet ASTERIX a pour but de contribuer au développement de la recherche fondamentale en informatique et à ses applications dans le domaine de la télédétection de l’environnement. En terme l’impact sociétal, de multiples interrogations sont soulevées en ce qui concerne les modes d’exploitation des sols et leurs interactions avec l’environnement (climat local par exemple). En effet, de nombreux changements sont observés depuis quelques années avec des conséquences variables (augmentation de phénomènes extrêmes, dérèglements écologiques par exemple). Face à ces changements, les politiques locales envisagent des modifications, que ce soit en matière d’urbanisme (identifier les zones à risque) ou de protection de l’environnement (préserver des corridors écologiques) par exemple. Cependant, la question de la réorganisation des sociétés vis-à-vis de ces changements d’origine naturelle et/ou anthropique est difficile tant les acteurs mis en jeu sont nombreux et complexes. Pour y faire face, les politiques de protection de l’environnement s’appuient sur les outils actuellement disponibles pour leur compréhension.

Cependant ces derniers s’avèrent le plus souvent limités car ils ne prennent pas suffisamment en considération l’ensemble des processus impliqués. Dans ce projet, l’extraction de motifs ou patrons paysagers à partir de techniques avancées d’analyse d’images apportera une source d’information complémentaire aidant à la compréhension des changements observés.

Objectifs

Suite à la profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de traiter de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation. Pourtant, la prise en compte du voisinage spatial et temporel, ainsi que la diversité des données requises, doivent permettre d’augmenter significativement les performances obtenues. Le but de ce projet, et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques sont :

  • la dimensionnalité des données : si un large choix de méthodes et algorithmes peuvent être considérés, le cas de la reconnaissance sur des données de dimension importante nécessite encore de nombreux développements méthodologiques. Le verrou lié à la dimensionnalité des données est un verrou classique lorsque l’on traite des données en grande dimension.
  • l’hétérogénéité des données : en télédétection (de l’environnement) comme ailleurs, les algorithmes d’analyse ou traitement d’image sont généralement conçus pour n’être appliqués à un instant donné que sur une seule image. Pourtant, l’observation de processus environnementaux ne peut se faire qu’au travers d’une exploitation conjointe de plusieurs images, hétérogènes puisque de différentes natures, résolutions, sources, dates, etc. La prise en compte de données hétérogènes s’avère donc nécessaire mais reste un problème ouvert.
  • le volume des données : la dimensionnalité et l’hétérogénéité des données contribuent, avec l’amélioration de la résolution spatiale des capteurs, à une augmentation massive du volume de données à traiter. Les méthodes de reconnaissance dans les images complexes restent dans l’incapacité d’appréhender de tels volumes, freinant ainsi leur usage en télédétection : ce verrou nécessite d’être levé.
  • les proximités spatiales et temporelles : les données traitées sont situées dans un contexte spatial et temporel et peuvent ainsi être fortement corrélées et redondantes. De premiers développements basés sur la construction de noyaux qui incorporent une information sur le voisinage spatial des données donnent des résultats prometteurs mais des travaux plus poussés, prenant en compte l’aspect multi-sources et temporel des données doivent être entrepris.
  • l’évolution temporelle des données : il est nécessaire de prendre en compte la variabilité temporelle dans le cadre de la reconnaissance de données de télédétection. Cette variabilité peut être due à la variabilité des objets à reconnaître, des propriétés de l’image (illumination) ou, de manière extrinsèque, de bruit dans le recueil des données. La prise en compte de cette évolution doit se faire en terme de gestion de l’information (quelles sont les sources à retenir ? Comment intégrer des a priori temporels ?), de méthodologies de reconnaissance dites en ligne, et constitue un verrou à dépasser.

Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaine du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés : littoral et montagnard. Il s’agira ainsi de contribuer également au développement des travaux scientifiques dans différents domaines tels que la géographie environnementale, la géomorphologie, la géophysique, ou encore la géomatique. Ces thématiques sont au cœur des recherches effectuées à l’Observatoire des Sciences de l’Univers de Rennes (OSUR) et les solutions développées dans ce projet prendront la forme de briques logicielles intégrées dans la plate-forme imagerie accessible aux partenaires de l’OSUR usagers de la télédétection, avant d’être diffusées auprès de la communauté scientifique. Le déploiement de cette plate-forme sur un environnement de calcul haute performance permettra le passage à l’échelle, et offrira une réponse pertinente à la masse de données pouvant être appréhendée dans les processus d’analyse spatio-temporelle en télédétection de l’environnement.

Partenaires

Le projet ASTERIX a pour but de faire avancer l’état de l’art dans les domaines de l’apprentissage automatique et de l’analyse d’image, et ce dans un contexte applicatif précis qu’est la télédétection de l’environnement. Les problèmes étudiés sont durs et nombreux : les compétences nécessaires pour mener à bien le programme de recherche sont donc multiples, et relèvent d’une part de l’informatique et du traitement du signal (pour le développement méthodologique et algorithmique), et d’autre part de la géomatique, la géographie, ou encore la géomorphologie (pour la mise en contexte des algorithmes développés, la validation expérimentale, l’exploitation des résultats).

L’équipe constituée dans le cadre de ce projet est ainsi, comme permis par ce programme de l’ANR, composée d’enseignants-chercheurs, chercheurs et ingénieurs provenant de différents laboratoires, organismes et sites universitaires. La taille de l’équipe constituée pour le projet ASTERIX est importante (en particulier dans le contexte d’une réponse à l’appel ANR JCJC), mais adaptée aux objectifs très ambitieux du projet. Les compétences dans le domaine des STIC sont principalement apportées par l’UMR IRISA, notamment sur le site de Vannes (équipe OBELIX). Dans le domaine de la télédétection de l’environnement, les équipes sont situées à Rennes (OSUR, UMS CNRS – Universités de Rennes 1 et Rennes 2), Toulouse (DYNAFOR, UMR INRA – ENSAT), et Strasbourg (LIVE et IPGS, deux UMR CNRS – Université de Strasbourg). Ces différentes équipes en télédétection sont en forte attente de méthodes d’analyse spatio-temporelle pour la reconnaissance au sein d’images complexes, d’où leur vif intérêt et leur participation active au projet ASTERIX.

Liste des membres

  • IRISA Vannes
    • Sébastien Lefèvre (coordinateur)
    • Laetitia Chapel
    • Nicolas Courty
    • Philippe Gosselin (IRISA Rennes)
    • Thomas Guyet (IRISA Rennes)
    • Petra Bosilj
    • Yanwei Cui
    • Sina Nakhostin
    • Bharath Bhushan Damodaran
    • Roberto Giudici
  • OSUR Rennes
    • Thomas Corpetti
    • Romain Tavenard
    • Alban Thomas
    • Gong Xing
    • Adeline Bailly
    • Julie Betbeder
  • DYNAFOR Toulouse
    • Mathieu Fauvel
    • David Sheeren
    • Pierre-Alexandre Herrault
  • LIVE Strasbourg
    • Anne Puissant
    • Grezgorz Skupinksi
  • IPGS Strasbourg
    • Jean-Philippe Malet
    • André Stumpf

Articles de presse

Codes logiciels

Publications

Revues internationales à comité de lecture (21)

  • [ADL16] E. Aptoula, M. Dalla Mura, S. Lefèvre. Vector attribute profiles for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(6):3208-3220, 2016 (doi: 10.1109/TGRS.2015.2513424).
  • [BAL+16] P. Bosilj, E. Aptoula, S. Lefèvre, E. Kijak. Retrieval of Remote Sensing Images with Pattern Spectra Descriptors. ISPRS International Journal of Geo-Information, 5(12):228, 2016 (doi: 10.3390/ijgi5120228).
  • [BCT+17] A. Bailly, L. Chapel, R. Tavenard, G. Camps-Valls. Nonlinear Time-Series Adaptation for Land Cover Classification. IEEE Geoscience and Remote Sensing Letters, 14(6):896-900, 2017 (doi: 10.1109/LGRS.2017.2686639).
  • [CBC+14] L. Chapel, T. Burger, N. Courty, S. Lefèvre. PerTurbo Manifold Learning Algorithm for Weakly Labeled Hyperspectral Image Classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(4):1070-1078, 2014 (doi: 10.1109/JSTARS.2014.2304304).
  • [CCL17] Y. Cui, L. Chapel, S. Lefèvre. Scalable Bag of Subpaths Kernel for Learning on Hierarchical Image Representations and Multi-Source Remote Sensing Data Classification. Remote Sensing, 9(3), 2017 (doi: 10.3390/rs9030196).
  • [CGK+19] T. Corpetti, X. Gong, M.Z. Kang, B.G. Hu, L. Hubert-Moy. Time-consistent estimation of LAI by assimilation in GreenLab plant growth model. Computers & Geosciences, 130:57-68, 2019 (doi: 10.1016/j.cageo.2018.12.004).
  • [CGV+14] N. Courty, X. Gong, J. Vandel, T. Burger. SAGA: Sparse And Geometry-Aware non-negative matrix factorization through non-linear local embedding. Machine Learning, 97(1-2):205-226, 2014 (doi: 10.1007/s10994-014-5463-y).
  • [CL16] L. Courtrai, S. Lefèvre. Morphological path filtering at the region scale for efficient and robust road network extraction from satellite imagery. Pattern Recognition Letters, 83(2):195-204, 2016 (doi: 10.1016/j.patrec.2016.05.014).
  • [DPS16] N. Débonnaire, A. Puissant, A. Stumpf. Spatio-Temporal Clustering and Active Learning for Change Classification in Satellite Image Time Series. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(8):3642-3650, 2016 (doi: 10.1109/JSTARS.2016.2525940).
  • [DCL17] B.B. Damodaran, N. Courty, S. Lefèvre. Sparse Hilbert Schmidt Independence Criterion and Surrogate-Kernel-Based Feature Selection for Hyperspectral Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 55(4):2385-2398, 2017 (doi: 10.1109/TGRS.2016.2642479).
  • [DHL17] B.B. Damodaran, J. Höhle, S. Lefèvre. Attribute Profiles on Derived Features for Urban Land Cover Classification. Photogrammetric Engineering & Remote Sensing, 83(3):183-193, 2017 (doi: 10.14358/PERS.83.3.183).
  • [FDZ+15] M. Fauvel, C. Dechesne, A. Zullo, F. Ferraty. Fast Forward Feature Selection of Hyperspectral Images for Classification With Gaussian Mixture Models. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6):2824-2831, 2015 (doi: 10.1109/JSTARS.2015.2441771).
  • [LC17] A. Lefebvre, T. Corpetti. Monitoring the Morphological Transformation of Beijing Old City Using Remote Sensing Texture Analysis. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(2):539-548, 2017 (doi: 10.1109/JSTARS.2016.2627545).
  • [LFG17] A. Lagrange, M. Fauvel, M. Grizonnet, Large-Scale Feature Selection With Gaussian Mixture Models for the Classification of High Dimensional Remote Sensing Images. IEEE Transactions on Computational Imaging, 3(2):230-242, 2017 (doi: 10.1109/TCI.2017.2666551).
  • [LSC16] A. Lefebvre, C. Sannier, T. Corpetti. Monitoring Urban Areas with Sentinel-2A Data: Application to the Update of the Copernicus High Resolution Layer Imperviousness Degree. Remote Sensing, 8(7):606, 2016 (doi: 10.3390/rs8070606).
  • [LST19] S. Lefèvre, D. Sheeren, O. Tasar, A Generic Framework for Combining Multiple Segmentations in Geographic Object-Based Image Analysis. ISPRS International Journal of Geo-Information, 8(2):70, 2019 (doi: 10.3390/ijgi8020070).
  • [LTW+17] S. Lefèvre, D. Tuia, J.D. Wegner, T. Produit, A.S. Nassar. Toward Seamless Multiview Scene Analysis From Satellite to Street Level. Proceedings of the IEEE, 105(10):1884-1899, 2017 (doi: 10.1109/JPROC.2017.2684300).
  • [NCC+16] S. Nakhostin, H. Clenet, T. Corpetti, N. Courty. Joint Anomaly Detection and Spectral Unmixing for Planetary Hyperspectral Images. IEEE Transactions on Geosciences and Remote Sensing, 54(12):6879-6894, 2016 (doi: 10.1109/TGRS.2016.2586188).
  • [PAL18] M.T. Pham, E. Aptoula, S. Lefèvre. Feature Profiles from Attribute Filtering for Classification of Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(1):249-256, 2018 (doi: 10.1109/JSTARS.2017.2773367).
  • [PLA18] M.T. Pham, S. Lefèvre, E. Aptoula. Local Feature-Based Attribute Profiles for Optical Remote Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 56(2):1199-1212, 2018 (doi: 10.1109/TGRS.2017.2761402).
  • [ZTB+17] Z. Zhang, R. Tavenard, A. Bailly, X. Tang, P. Tang, T. Corpetti. Dynamic Time Warping under limited warping path length. Information Sciences, 393:91-107, 2017 (doi: 10.1016/j.ins.2017.02.018).

Communications (conférences) internationales (32)

  • [ACL14] E. Aptoula, N. Courty S. Lefèvre. An end-member based ordering relation for the morphological description of hyperspectral images. IEEE International Conference on Image Processing (ICIP), 2014 (doi: 10.1109/ICIP.2014.7026032).
  • [ALL16] N. Audebert, B. Le Saux, S. Lefèvre. Semantic Segmentation of Earth Observation Data Using Multimodal and Multi-scale Deep Networks. Asian Conference on Computer Vision (ACCV), 2016 (doi: 10.1007/978-3-319-54181-5_12).
  • [BAC+16] A. Bailly, D. Arvor, L. Chapel, R. Tavenard. Classification of MODIS Time Series with Dense Bag-of-Temporal-SIFT-Words: Application to Cropland Mapping in the Brazilian Amazon. IEEE International Geosciences and Remote Sensing 
Symposium (IGARSS), 2016 (doi: 10.1109/IGARSS.2016.7729594).
  • [BAL+15] P. Bosilj, E. Aptoula, S. Lefèvre, E. Kijak. Satellite Image Retrieval with Pattern Spectra Descriptors. International Conference on Image Information Mining: Geospatial Intelligence from Earth Observation (IIM), 2015.
  • [BDA+17] P. Bosil, B.B. Damodaran, E. Aptoula, M. Dalla Mura, S. Lefèvre. Attribute Profiles from Partitioning Trees. International Symposium on Mathematical Morphology and Its Applications to Signal and Image Processing (ISMM), 2017 (doi: 10.1007/978-3-319-57240-6_31).
  • [BMT+15] A. Bailly, S. Malinowski, R. Tavenard, L. Chapel, T. Guyet. Dense Bag-of-Temporal-SIFT-Words for Time Series Classification. International Workshop on Advanced Analytics and Learning on Temporal Data (AALTD), 2015 (doi: 10.1007/978-3-319-44412-3_2).
  • [CCL15] Y. Cui, L. Chapel, S. Lefèvre. A subpath kernel for learning hierarchical image representations. IAPR International Workshop on Graph-based Representations in Pattern Recognition (GbR), 2015 (doi: 10.1007/978-3-319-18224-7_4).
  • [CCL16] Y. Cui, L. Chapel, S. Lefèvre. Combining multiscale features for classification of hyperspectral images: A sequence-based kernel approach. Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2016 (doi: 10.1109/WHISPERS.2016.8071671).
  • [CF14] L. Chapel, C. Friguet, Anomaly detection with score functions based on the reconstruction error of the kernel PCA. Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2014 (doi: 10.1007/978-3-662-44848-9_15).
  • [CF15] C. Friguet, L. Chapel. A statistical test for anomaly detection using the reconstruction error of the Kernel PCA. International Conference on Computational and Methodological Statistics, 2015.
  • [CFT14] N. Courty, R. Flamary, D. Tuia. Domain adaptation with regularized optimal transport. Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2014 (doi: 10.1007/978-3-662-44848-9_18).
  • [CFTC+16] N. Courty, R. Flamary, D. Tuia, T. Corpetti. Optimal Transport for Data Fusion in Remote Sensing. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2016 (doi: 10.1109/IGARSS.2016.7729925).
  • [CL14] L. Courtrai, S. Lefèvre. Road Network Extraction from Remote Sensing using Region-based Mathematical Morphology. IAPR International Workshop on Pattern Recognition in Remote Sensing (PRRS), 2014 (doi: 10.1109/PRRS.2014.6914283).
  • [CLL+16] Y. Cui, S. Lefèvre, L. Chapel, A. Puissant. Combining Multiple Resolutions into Hierarchical Representations for Kernel-based Image Classification. International Conference on Geographic Object-based Image Analysis (GEOBIA), 2016 (doi: 10.3990/2.372).
  • [DCL16] B.B. Damodaran, N. Courty, S. Lefèvre. Unsupervised Classifier Selection Approach for Hyperspectral Image Classification, IEEE International Geosciences and Remote Sensing Symposium (IGARSS), 2016 (doi: 10.1109/IGARSS.2016.7730332).
  • [DCT17] B.B. Damodaran, N. Courty, R. Tavenard. Randomized nonlinear component analysis for dimensionality reduction of hyperspectral images. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017 (doi: 10.1109/IGARSS.2017.8126819).
  • [FZF14] M. Fauvel, A. Zullo, F. Ferraty. Nonlinear Parsimonious Feature Selection for the Classification of Hyperspectral Images. Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2014 (doi: 10.1109/WHISPERS.2014.8077536).
  • [GCL19a] R. Giudici, L. Courtrai, S. Lefèvre. An Advanced Benchmarking for Image Compositing Evaluation. ISPRS Workshop on Unmanned Aerial Vehicles in Geomatics, 2019 (doi: 10.5194/isprs-archives-XLII-2-W13-303-2019).
  • [GCL19b] R. Giudici, L. Courtrai, S. Lefèvre. Mosaicing Fidelity Geometrical Assessment Based on Surf Point Classification. ISPRS Workshop on Unmanned Aerial Vehicles in Geomatics, 2019 (doi: 10.5194/isprs-archives-XLII-2-W13-309-2019).
  • [Lef15] S. Lefèvre. Hierarchical Representations for Mining Earth Observation Data. Invited Talk. International Conference on Image Information Mining: Geospatial Intelligence from Earth Observation (IIM), 2015.
  • [LA16] S. Lefèvre, E. Aptoula. Morphological tools for spatial and multiscale analysis of passive microwave remote sensing data. Specialist Meeting on Microwave Radiometry and Remote Sensing of the Environment (MicroRad), 2016 (doi: 10.1109/MICRORAD.2016.7530523).
  • [LCM14] S. Lefèvre, L. Chapel, F. Merciol. Hyperspectral Image Classification from Multiscale Description with Constrained Connectivity and Metric Learning. Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2014 (doi: 10.1109/WHISPERS.2014.8077559).
  • [LTM16] A. Le Guennec, R. Tavenard, S. Malinowski. Data Augmentation for Time Series Classification using Convolutional Neural Networks. International Workshop on Advanced Analytics and Learning on Temporal Data (AALTD), 2016.
  • [LTS18] S. Lefèvre, O. Tasar, D. Sheeren, Combining multiple segmentations through a flexible framework. International Conference on Geographic-Object Based Image Analysis (GEOBIA), 2018.
  • [MBL17] F. Merciol, T. Balem, S. Lefèvre. Efficient and large-scale land cover classification using multiscale image analysis. ESA Conference on Big Data from Space (BiDS), 2017 (doi: 10.2760/383579).
  • [MCL14] F. Merciol, L. Chapel, S. Lefèvre. Hyperspectral Image Representation through alpha-Trees. ESA Conference on Image Information Mining : Geospatial Intelligence from Earth Observation (IIM), pages 37–40, 2014 (doi : 10.2788/25852).
  • [ML15] F. Merciol, S. Lefèvre. Fast building extraction by multiscale analysis of digital surface models. IEEE International Geosciences and Remote Sensing 
Symposium (IGARSS), 2015 (doi: 10.1109/IGARSS.2015.7325823).
  • [MSL16] F. Merciol, A. Sauray, S. Lefèvre. Interoperability of multiscale visual representations for satellite image big data. ESA Conference on Big Data from Space (BiDS), 2016 (doi: 10.2788/854791).
  • [NCF+16] S. Nakhostin, N. Courty, R. Flamary, T. Corpetti. Supervised planetary unmixing with optimal transport. Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2016 (doi: 10.1109/WHISPERS.2016.8071694).
  • [PLA+17] M.T. Pham, S. Lefèvre, E. Aptoula, B.B. Damodaran. Classification of VHR remote sensing images using local feature-based attribute profiles. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017 (doi: 10.1109/IGARSS.2017.8127060).
  • [PMT+17] M.T. Pham, G. Mercier, E. Trouvé, S. Lefèvre, SAR image texture tracking using a pointwise graph-based model for glacier displacement measurement, IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017 (doi: 10.1109/IGARSS.2017.8127144).
  • [TMC+17] R. Tavenard, S. Malinowski, L. Chapel, A. Bailly, H. Sanchez. Efficient Temporal Kernels Between Feature Sets for Time Series Classification. Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2017 (doi: 10.1007/978-3-319-71246-8_32).
  • [TS16] R. Tavenard, S. Malinowski. Cost-Aware Early Classification of Time Series. Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2016 (doi: 10.1007/978-3-319-46128-1_40).

Communications (conférences) nationales (4)

  • [ALL17a] N. Audebert, B. Le Saux, S. Lefèvre. Réseaux de neurones profonds et fusion de données pour la segmentation sémantique d’images aériennes. Journées francophones des jeunes chercheurs en vision par ordinateur (ORASIS), 2017.
  • [ALL17b] N. Audebert, B. Le Saux, S. Lefèvre. Couplage de données géographiques participatives et d’images aériennes par apprentissage profond. 26ème colloque du Groupement de Recherche en Traitement du Signal et des Images (GRETSI), 2017.
  • [FC16] C. Friguet, L. Chapel. Un test statistique pour la détection d’anomalies basé sur l’erreur de reconstruction de l’ACP à noyau. 48èmes Journées de Statistiques, 2016.
  • [MCL13] F. Merciol, L. Chapel, S. Lefèvre. Représentation d’images hyperspectrales sous forme d’arbres alpha. 24ème colloque du Groupement de Recherche en Traitement du Signal et des Images (GRETSI), 2013.

Conférences de vulgarisation (1)

  • [Cor13] T. Corpetti. Les nouvelles technologies au service de l’environnement. Mardis de l’Espace des sciences. Champs Libres, Rennes, 2013.

Prépublications (2)

  • [Dam18] B.B. Damodaran. Fast Optimal Bandwidth Selection for RBF Kernel using Reproducing Kernel Hilbert Space Operators for Kernel Based Classifiers. arXiv:1804.05214. 2018.
  • [DCG17] B.B. Damodaran, N. Courty, P.H. Gosselin. Data Dependent Kernel Approximation using Pseudo Random Fourier Features. arXiv:1711.09783. 2017.

Comments are closed.