• Skip to primary navigation
  • Skip to main content
  • Skip to primary sidebar
  • Directory
  • Training
  • Contact
  • Fr
  • En
Institut Fresnel

Institut Fresnel

Recherche et innovation en photonique

  • The Institute
    • Editorial
    • Presentation
    • Organization
    • Teams
    • Our sponsors
    • Students
  • Research
    • Our themes
    • European projects
  • Partnerships
    • Common laboratories
    • Chairs
    • Partners
    • Networks
    • Instituts ets AMU
  • Recruitment
    • Thesis offers
    • CDD – Post-Doc offers
    • Internships and work-study programs
    • Employment campaign
    • Internship form
  • Facilities
  • Publications
    • Patents
    • Thesis
    • Publications
    • Press review
    • Books & E-books
    • Highlights
  • Events
Home
The Institute
Teams
GSM
Themes Tensor signal processing

Tensor signal processing

Thème : Information et Photonique Sous-thème : Télédetecion (Remote Sensing)

Article : Multi-size and multi-model framework based on progressive growing and transfer learning for small target feature extraction and classification, Qiaoqiao Sun, Salah Bourennane & Xuefeng Liu, International Journal of Remote Sensing, 2021, VOL. 42, NO. 21, 8145–8164

DOI : 10.1080/01431161.2021.1973688

Compte tenu du fort potentiel de l’apprentissage profond en traitement d’images et de ses modèles qui peuvent traiter des données multidimensionnelles, nous nous sommes intéressés à ce domaine dans nos récents travaux en imagerie hyperspectrale.
Comme les traitements basés sur la convolution peuvent considérer des données multidimensionnelles sans difficultés, nous avons utilisés les modèles 2D-CNN et 3D-CNN pour l’extraction et la classification des cibles. 2D-CNN a montré un grand potentiel dans la préservation de la structure spatiale des cibles. 3D-CNN permet de prendre directement des données 3D en entrée du réseau, ce qui permet d’exploiter les informations spectrales et spatiales en même temps.
De nombreux modèles existants basés sur l’apprentissage en profondeur arrivent à extraire des caractéristiques pour de la classification en imagerie hyperspectrale. Les données initiales de grandes dimensions sont souvent transformées en caractéristiques de faibles dimensions par les modèles d’apprentissage en profondeur avant traitement. Cependant, pour la plupart des modèles, la taille d’entrée pour les différentes cibles est la même alors que les différentes cibles ont souvent des tailles différentes, surtout lorsqu’il y a de petites cibles. Afin de résoudre ce problème et de tenir compte de ces variations de taille, nous avons créé un nouveau réseau multi-tailles et multi-modèles basé sur la convolution tridimensionnelle de l’auto-encoder, appelé 3D-M2CAE. Sa mise en œuvre et son optimisation s’appuient sur une technique d’augmentation de données et d’un transfert d’apprentissage. Pour chaque cible observée, trois 3D-CAE avec des tailles et des couches d’entrée progressives sont utilisés pour obtenir ses caractéristiques, ce qui améliore la robustesse d’extraction des caractéristiques en présence de variations des dimensions spatiales. Afin de réduire le temps de calcul, trois tridimensionnels et convolutionnels auto-encodeurs (3D-CAE) sont construits et formés de manière progressive à l’aide du transfert d’apprentissage. L’efficacité de la méthode proposée est vérifiée sur deux jeux de données hyperspectrales. Les résultats démontrent que la méthode proposée a un grand potentiel pour améliorer les résultats de classification des petites cibles.

sidebar

gsm
  • Team
  • Themes
  • Members
  • Publications
  • Partners
  • Contact
  • LinkedIn
  • Google Scholar
  • Instagram
  • Youtube
  • Bluesky
  • ResearchGate
  • Intranet
INSTITUT FRESNEL
Faculté des Sciences - Avenue Escadrille Normandie-Niémen - 13397 MARSEILLE CEDEX

Copyright © 2025 · Politique de confidentialité · Mentions Légales · Politique des cookies · Crédits · Site map

Gérer le consentement
Pour offrir les meilleures expériences, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils. Le fait de consentir à ces technologies nous permettra de traiter des données telles que le comportement de navigation ou les ID uniques sur ce site. Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
Fonctionnel Always active
L’accès ou le stockage technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’utilisateur, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
Préférences
L’accès ou le stockage technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou l’internaute.
Statistiques
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques. Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
Marketing
L’accès ou le stockage technique est nécessaire pour créer des profils d’internautes afin d’envoyer des publicités, ou pour suivre l’utilisateur sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
Manage options Manage services Manage {vendor_count} vendors Read more about these purposes
Voir les préférences
{title} {title} {title}