University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
3 résultat(s) recherche sur le mot-clé 'classification'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra
Titre : Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data Type de document : texte imprimé Auteurs : Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (83 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease deep learning convolutional neural networks CNN Restricted Boltzmann machines RBMs pretrained models Inception Xception MobileNet,
DenseNet VGG-16 VGG-19 EfficientNet B7 and ResNET magnetic resonance imaging (MRI) early detection classification Vision Transformer ViT maladie d’Alzheimer apprentissage profond réseaux neuronaux convolutionnels machines de Boltzmann restreintes modèles pré-entraînés MobileNet DenseNet imagerie par résonance magnétique (IRM) détection précoceIndex. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges
for neuroscientists and medical professionals. Current clinical, neuropsychological,
and imaging assessments have limitations, often resulting in inconclusive diagnoses for
patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning
techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s
disease.
Our approach involves fine-tuning and integrating deep learning models pretrained on large
datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN)
architectures both with and without attention mechanisms. Inception, Xception, MobileNet,
DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential
of applying Vision Transformer (ViT) models powered by Keras (ViT B32).
By capitalizing on the strengths of these models and techniques, our proposed approach achieves
an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour
les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques
et d’imagerie actuelles ont des limites, conduisant souvent à des
diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance
magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une
alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer.
Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés
sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM),
des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention.
Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7
et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer
(ViT) alimentés par Keras (ViT B32).
En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une
précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la
maladie d’Alzheimer précoce.Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data [texte imprimé] / Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (83 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease deep learning convolutional neural networks CNN Restricted Boltzmann machines RBMs pretrained models Inception Xception MobileNet,
DenseNet VGG-16 VGG-19 EfficientNet B7 and ResNET magnetic resonance imaging (MRI) early detection classification Vision Transformer ViT maladie d’Alzheimer apprentissage profond réseaux neuronaux convolutionnels machines de Boltzmann restreintes modèles pré-entraînés MobileNet DenseNet imagerie par résonance magnétique (IRM) détection précoceIndex. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges
for neuroscientists and medical professionals. Current clinical, neuropsychological,
and imaging assessments have limitations, often resulting in inconclusive diagnoses for
patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning
techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s
disease.
Our approach involves fine-tuning and integrating deep learning models pretrained on large
datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN)
architectures both with and without attention mechanisms. Inception, Xception, MobileNet,
DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential
of applying Vision Transformer (ViT) models powered by Keras (ViT B32).
By capitalizing on the strengths of these models and techniques, our proposed approach achieves
an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour
les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques
et d’imagerie actuelles ont des limites, conduisant souvent à des
diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance
magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une
alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer.
Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés
sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM),
des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention.
Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7
et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer
(ViT) alimentés par Keras (ViT B32).
En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une
précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la
maladie d’Alzheimer précoce.Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0758 MAI/0758 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleExtraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins / NECHADI, Sara
Titre : Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins Type de document : texte imprimé Auteurs : NECHADI, Sara ; Alti,Adel, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (86f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins [texte imprimé] / NECHADI, Sara ; Alti,Adel, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (86f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0034 MAI/0034 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0755 MAI/0755 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible