20210428-datadrink-shom

Transcript

1. PROJET TRAITLIA AMI IA 2 - DATADRINK 28/04/2021 1 IETA Julian Le Deunf
2. 2 1.Contexte et problématique 2.Méthodologies et résultats 3.Perspectives 28/04/2021 Plan IETA Julian Le Deunf
3. 3 28/04/2021 IETA Julian Le Deunf Contexte et problématique
4. 4 28/04/2021 Le Shom: Établissement public sous la tutelle du Ministère des Armées IETA Julian Le Deunf 3 activités primordiales : • Hydrographie nationale • Soutien de la défense • Soutien aux politiques publiques de la mer et du littoral
5. 5 28/04/2021 Bathymetric lidar acquisition IETA Julian Le Deunf
6. 6 28/04/2021 Lidar outlier IETA Julian Le Deunf Water surface Accidental measures Watercolumn errors Real seabed • Robustesse • Subjectivité • Inhomogénéité
7. 7 28/04/2021 La sécurité de la navigation en point de mire IETA Julian Le Deunf Coupe bathymétrique de l'épave Gobetas
8. 8 28/04/2021 IETA Julian Le Deunf Méthodologies et résultats
9. 9 28/04/2021 L'état de l'art IETA Julian Le Deunf Lidar et ML Classification des méthodes de traitement de données SMF en fonction de leurs caractéristiques (Le Deunf et al., 2020)
10. 10 28/04/2021 Problématique: estimation la plus probable du fond via une regression IETA Julian Le Deunf
11. 11 28/04/2021 Data structure IETA Julian Le Deunf
12. 12 28/04/2021 Résultats: données lidar d'entrée pour le laser shallow IETA Julian Le Deunf Donnée traitée manuellement Donnée prédite par RF Mean absolute error: 0.08m Mean error: -0.01m Standard deviation : 0.27m
13. 13 28/04/2021 Résultats IETA Julian Le Deunf
14. 14 28/04/2021 Résultats: données lidar d'entrée pour le laser deep IETA Julian Le Deunf Mean absolute error: 0.27m Mean error: -0.01m Standard deviation : 1.36m Donnée traitée manuellement Donnée prédite par RF
15. 15 28/04/2021 IETA Julian Le Deunf Perspectives
16. 16 28/04/2021 Perspectives: transfert d’apprentissage IETA Julian Le Deunf
17. 17 28/04/2021 Perspectives: recherche IETA Julian Le Deunf 0/ Data structure et prétraitement 1/ Régresseurs classiques : random forests regressor, SVR, MLP 2/ Régularisation spatiale 2.1/ Régularisation sur la sortie 2.1.1/ Total variation denoising 2.1.2/ Algorithme de débruitage d'image via CNN 2.2/ Régularisation durant l'entrainement 2.2.1/ Connectivité du réseau dans sa construction 2.2.2/ SVR et RF avec terme de régularisation spatiale 3/ Améliorations 3.1/ Bruit non centré (fonction de loss asymétrique?) 3.2/ Erreur relative corrélée à la profondeur 3.3/ Classification surface d'eau en feature 4/ Beaucoup de tests (biais humains? Stratégie d’apprentissage?...)