Représentation et combinaison de l'information géographique pour l'apprentissage profond - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Représentation et combinaison de l'information géographique pour l'apprentissage profond

Résumé

L'apprentissage profond permet maintenant de générer des cartes transformées à partir d'images d'autres cartes. Mais contrairement aux méthodes traditionnelles de prédiction de carte qui reposent sur des couches de données vectorielles stockées dans des bases de données géographiques, l'image ne transmet qu'une vue limitée des informations contenues dans la version vectorielle des données. Dans cet article, nous nous intéressons à la représentation de l'information géographique sous forme de tenseurs pour améliorer la génération de cartes par apprentissage profond. Nous proposons d'abord une stratégie alternative pour la création des données d'apprentissage : un ensemble de masques où chacun décrit les formes et positions d'un type d'objet géographique sur une même portion de carte (bâtiments, routes, ...). Nous étudions ensuite comment combiner de l'information géographique additionnelle dans les mécanismes d'apprentissage pour améliorer l'abstraction des cartes générées.
Fichier principal
Vignette du fichier
courtial_GAST2022.pdf (1.45 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03719234 , version 1 (11-07-2022)

Licence

Paternité

Identifiants

  • HAL Id : hal-03719234 , version 1

Citer

Azelle Courtial, Guillaume Touya. Représentation et combinaison de l'information géographique pour l'apprentissage profond. GAST – Gestion et Analyse de données Spatiales et Temporelles, Jan 2022, Blois, France. pp.54-65. ⟨hal-03719234⟩
39 Consultations
29 Téléchargements

Partager

Gmail Facebook X LinkedIn More