Méthodes probabilistes d'apprentissage profond avec a priori physiques de représentations interprétables - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Méthodes probabilistes d'apprentissage profond avec a priori physiques de représentations interprétables

Yoël Zérah
  • Fonction : Auteur
  • PersonId : 1181481
  • IdHAL : yoel-zerah
Silvia Valero
  • Fonction : Auteur
  • PersonId : 937533
Jordi Inglada

Résumé

Nous proposons une méthodologie d'apprentissage profond, intégrant des contraintes physiques, de représentation latentes probabilistes et interprétables, sémantiquement liées aux paramètres de modèles physiques. La méthode est appliquée à des images satellitaires optiques pour estimer des métriques de phénologie de végétation.
Fichier principal
Vignette du fichier
communication_gretsi_yz_sv_ji.pdf (454.83 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY - Paternité

Dates et versions

hal-04186427 , version 1 (23-08-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04186427 , version 1

Citer

Yoël Zérah, Silvia Valero, Jordi Inglada. Méthodes probabilistes d'apprentissage profond avec a priori physiques de représentations interprétables. GRETSI 2022 : XXVIIIème Colloque Francophone de Traitement du Signal et des Images., Sep 2022, Nancy, France. ⟨hal-04186427⟩
27 Consultations
12 Téléchargements

Partager

Gmail Facebook X LinkedIn More