Dépôt DSpace/Université Larbi Tébessi-Tébessa

Detection des catastrophes naturelles par les algorithmes de l’apprentissage profond

Afficher la notice abrégée

dc.contributor.author Merzoug, Sabah / Khamam, Soulef / Encadre par KHEMAISSIA, Seddik
dc.date.accessioned 2023-01-18T13:34:45Z
dc.date.available 2023-01-18T13:34:45Z
dc.date.issued 2020-06-22
dc.identifier.uri http//localhost:8080/jspui/handle/123456789/6830
dc.description.abstract Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection, la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est abondante concernant l’interprétation de données visuelles, y compris pour la télédétection. Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées Considérables en interprétation automatique d’images. Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des méthodes d’apprentissage profond permettant la détection de catastrophes naturelles automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés avec des vidéos collectées sur You Tube. en_US
dc.language.iso fr en_US
dc.title Detection des catastrophes naturelles par les algorithmes de l’apprentissage profond en_US
dc.type Thesis en_US


Fichier(s) constituant ce document

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée