Implémentation et test de méthodes de Deep Learning en télédétection pour détecter des palmiers rafias en milieu naturel et sur différents types d’images (satellites, aériennes, drones) = Cài đặt và kiểm thử các phương pháp học máy Deep Learning trong phát hiện từ xa các cây cọ Rafia trong môi trường tự nhiên và trên các loại ảnh khác nhau (vệ tinh, máy bay, drones)

• Main Author: Zakaria, KINDA
• Other Authors: Frédéric, M. BORNE
• Format: Theses and Dissertations
• Language: French
• Published: 2020
• Subjects: Rafia, Apprentissage profond; Phương pháp học máy > Cài đặt > Kiểm thử ; Công nghệ thông tin; 006.7
• Online Access: http://repository.vnu.edu.vn/handle/VNU_123/92451
• Institution: Vietnam National University, Hanoi

Les Rafias sont des plantes situes dans des forêts denses, notamment dans les zones mar†cageuses où les couronnes sont imbriqu†es les unes dans les autres. On les trouve principalement dans les pays de l’Afrique Centrale et de l’Ouest avec des rendements †conomiques tr–s importants. Compte tenu de cette importance †conomique, il est n†cessaire de connaˆıtre le nombre de Rafias se trouvant dans ces forêts denses. R†cemment plusieurs travaux ont †t† r†alis†s en t†l†d†tection pour la d†tection des objets en utilisant des images r†elle et de synth–se. La t†l†d†tection serait donc un outil pouvant intervenir dans la d†tection des palmiers Rafias. Les m†thodes actuelles de d†tection d’objets dans des images r†elles et de synth–se sont bas†es principalement sur l’apprentissage profond utilisant les fenêtres glissantes. À cet effet plusieurs r†seaux tels-que le r†seau de neurones convolutionnels (CNN), le Fast-RCNN, le Faster R-CNN, le Mask R-CNN, etc ont atteint des performances de pointe sur le traitement des donn†es spatiales, notamment des images. Ainsi, le Faster-RCNN est un r†seau largement utilis† pour la d†tection des objets dans une image. Il est utilis† sur des images r†elles, mais †galement sur les images de synth–se pour la d†tection des fruits, de fleurs, des plantes, etc. avec des F-Mesures allant jusqu’à 93%. Dans cette †tude, il †tait question d’†valuer l’int†rêt des images de synth–se pour entrainer un r†seau destin† à traiter des images r†elles. Les exp†rimentations ont †t† effectu†es sur des images pr†sentant des caract†ristiques contrôl†es (r†solution de l’image, r†solution m†trique, ombrage, direction de la lumi–re, etc). Pour ce faire, nous avons utilis† le mod–le VGG16 d†jà pr†-entraˆın†s avec le jeu de donn†es PASCALVOC 2007. Les r†sultats exp†rimentaux montrent que l’apprentissage profond peut faire un grand bond en avant sur la d†tection des plantes en forêt dense en utilisant des images de synth–se.