Titre :	Conception d'un multiclassifieur pour le traitement Multi Source des images
Type de document :	texte imprimé
Auteurs :	NOUICER Imene, Auteur
Année de publication :	2022-2023
Accompagnement :	CD
Langues :	Français (fre)
Catégories :	Informatique:informatique
Mots-clés :	Classification supervisée, Image multi-sources, Architecture de réseaux neuronal convolutifs (CNN). Supervised classification, Multi-source image, convolutional neural network architecture (CNN).
Résumé :	Depuis 2006, les réseaux de neurones profonds connaissent un développement rapide dans plusieurs domaines tels que la classification d'images, en particulier la classification d'images de télédétection qui a suscité un intérêt remarquable récemment. Nous souhaitons introduire une nouvelle méthode de classification supervisée basée sur l'architecture des réseaux de neurones convolutifs (CNN). L'objectif principal est de sélectionner les couches les plus discriminantes afin d'obtenir une précision élevée lors de la classification de chaque pixel. Pour y parvenir, nous déterminons la limite du CNN en fonction du traitement des images de classification supervisée et inspectons les différents aspects des couches pour construire une nouvelle architecture. La méthode proposée ne contient que les éléments pertinents qui assurent l'objectif. Les résultats expérimentaux, qui ont testé la méthode à l'aide d'une image multi-source commune d'Oran, ont montré que l'architecture proposée a permis une amélioration significative dans la classification supervisée d'images multi-sources et a atteint une précision élevée. Since 2006, deep neural networks have rapidly developed in several fields such as image classification, particularly in remote sensing image classification which has recently attracted remarkable interest. We propose a new supervised classification method based on the architecture of convolutional neural networks (CNN). The main objective is to select the most discriminative layers to achieve high accuracy in pixel-level classification. To achieve this, we determine the limit of CNN in supervised classification image processing and inspect different aspects of layers to construct a new architecture. The proposed method contains only relevant elements that ensure the objective. Experimental results, which tested the method using a common multi-source image of Oran, showed that the proposed architecture significantly improved the supervised classification of multi-source images and achieved high accuracy.
Directeur de thèse :	FIZAZI Hadria

Conception d'un multiclassifieur pour le traitement Multi Source des images [texte imprimé] / NOUICER Imene, Auteur . - 2022-2023 . -  + CD.
Langues : Français (fre)

Catégories :	Informatique:informatique
Mots-clés :	Classification supervisée, Image multi-sources, Architecture de réseaux neuronal convolutifs (CNN). Supervised classification, Multi-source image, convolutional neural network architecture (CNN).
Résumé :	Depuis 2006, les réseaux de neurones profonds connaissent un développement rapide dans plusieurs domaines tels que la classification d'images, en particulier la classification d'images de télédétection qui a suscité un intérêt remarquable récemment. Nous souhaitons introduire une nouvelle méthode de classification supervisée basée sur l'architecture des réseaux de neurones convolutifs (CNN). L'objectif principal est de sélectionner les couches les plus discriminantes afin d'obtenir une précision élevée lors de la classification de chaque pixel. Pour y parvenir, nous déterminons la limite du CNN en fonction du traitement des images de classification supervisée et inspectons les différents aspects des couches pour construire une nouvelle architecture. La méthode proposée ne contient que les éléments pertinents qui assurent l'objectif. Les résultats expérimentaux, qui ont testé la méthode à l'aide d'une image multi-source commune d'Oran, ont montré que l'architecture proposée a permis une amélioration significative dans la classification supervisée d'images multi-sources et a atteint une précision élevée. Since 2006, deep neural networks have rapidly developed in several fields such as image classification, particularly in remote sensing image classification which has recently attracted remarkable interest. We propose a new supervised classification method based on the architecture of convolutional neural networks (CNN). The main objective is to select the most discriminative layers to achieve high accuracy in pixel-level classification. To achieve this, we determine the limit of CNN in supervised classification image processing and inspect different aspects of layers to construct a new architecture. The proposed method contains only relevant elements that ensure the objective. Experimental results, which tested the method using a common multi-source image of Oran, showed that the proposed architecture significantly improved the supervised classification of multi-source images and achieved high accuracy.
Directeur de thèse :	FIZAZI Hadria