Approche a-contrario pour la détection de changements sous ...
Approche a-contrario pour la détection de changements sous ... Approche a-contrario pour la détection de changements sous ...
Problématique Sommaire Modélisation a-contrario Détection de changements Conclusion Contexte de l’étude Modélisation du problème Détection a contrario Résultats asymptotiques Algorithme Résultats Deux problèmes liés : Estimer les moyennes par label en présence de pixels de changement, Déterminer le sous-domaine qui minimise le NFA. ⇒ Stratégie de type RANSAC [Fischler et Bolles, 1981], [Moisan et Stival, 2004]. Idée Utiliser un échantillon minimal (de taille L) pour estimer les moyennes et le compléter avec des données consistantes lorsque c’est possible. Itérer ce procédé un grand nombre de fois. Amandine Robin Approche a-contrario pour la détection de changements sous-pixeliques e
Sommaire Modélisation a-contrario Détection de changements Conclusion Algorithme monotemporel Contexte de l’étude Modélisation du problème Détection a contrario Résultats asymptotiques Algorithme Résultats Initialiser δ min [] et NFA min à +∞ et δ = 0 ; Répéter N fois : - tirer aléatoirement un ensemble I de L pixels de D BR - estimer m pour y ∈ I (matrice carrée) - calculer r(y) = (ˆv(y, m) − v(y)) 2 pour tout y ∈ D BR - trier D BR en (y i ) 1≤i≤|D| par r(y i ) croissants - pour k = L + 1 à k = |D BR | poser δ = δ + r(y k ) si δ < δ min [k] alors mettre à jour δ min[k] si NFA(k, δ, σ) < NFA min alors m.a.j. NFA min et D = {y i} i=1..k fin - fin fin Amandine Robin Approche a-contrario pour la détection de changements sous-pixeliques e
- Page 1 and 2: Sommaire Modélisation a-contrario
- Page 3 and 4: Sommaire Modélisation a-contrario
- Page 5 and 6: Sommaire Modélisation a-contrario
- Page 7 and 8: Sommaire Modélisation a-contrario
- Page 9 and 10: Sommaire Modélisation a-contrario
- Page 11 and 12: Les données Sommaire Modélisation
- Page 13 and 14: La problématique Sommaire Modélis
- Page 15 and 16: Sommaire Modélisation a-contrario
- Page 17 and 18: Sommaire Modélisation a-contrario
- Page 19 and 20: Modèle a-contrario Sommaire Modél
- Page 21 and 22: Sommaire Modélisation a-contrario
- Page 23 and 24: Sommaire Modélisation a-contrario
- Page 25 and 26: Sommaire Modélisation a-contrario
- Page 27: Sommaire Modélisation a-contrario
- Page 31 and 32: Sommaire Modélisation a-contrario
- Page 33 and 34: Images pseudo-réelles Sommaire Mod
- Page 35: Sommaire Modélisation a-contrario
Problématique<br />
Sommaire<br />
Modélisation a-<strong>contrario</strong><br />
Détection <strong>de</strong> <strong>changements</strong><br />
Conclusion<br />
Contexte <strong>de</strong> l’étu<strong>de</strong><br />
Modélisation du problème<br />
Détection a <strong>contrario</strong><br />
Résultats asymptotiques<br />
Algorithme<br />
Résultats<br />
Deux problèmes liés :<br />
Estimer les moyennes par <strong>la</strong>bel en présence <strong>de</strong> pixels <strong>de</strong><br />
changement,<br />
Déterminer le <strong>sous</strong>-domaine qui minimise le NFA.<br />
⇒ Stratégie <strong>de</strong> type RANSAC [Fischler et Bolles, 1981], [Moisan et<br />
Stival, 2004].<br />
Idée<br />
Utiliser un échantillon minimal (<strong>de</strong> taille L) <strong>pour</strong> estimer les moyennes<br />
et le compléter avec <strong>de</strong>s données consistantes lorsque c’est<br />
possible. Itérer ce procédé un grand nombre <strong>de</strong> fois.<br />
Amandine Robin<br />
<strong>Approche</strong> a-<strong>contrario</strong> <strong>pour</strong> <strong>la</strong> détection <strong>de</strong> <strong>changements</strong> <strong>sous</strong>-pixeliques e