Modèles d’apprentissage profond hiérarchiques et semi-supervisés sur systèmes embarqués pour l’agriculture intelligente ; Hierarchical and semi-supervised deep learning models on embedded systems for smart farming
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Modèles d’apprentissage profond hiérarchiques et semi-supervisés sur systèmes embarqués pour l’agriculture intelligente ; Hierarchical and semi-supervised deep learning models on embedded systems for smart farming
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
L’intelligence artificielle est de plus en plus utilisée pour l’agriculture intelligente. Elle possède cependant plusieurs limitations telles que des besoins importants en ressources, ce qui allonge le délai de traitement des données.Dans cette thèse, nous nous intéressons à la mise en place de solutions d’apprentissage profond pour automatiser la détection de la Flavescence Dorée, une jaunisse de la vigne apparue récemment en Champagne. Nous devrons pour cela respecter des contraintes de précision et de tempsde traitement.Nous proposons d’abord une solution de greffage de réseaux de neurones permettant de combiner des modèles hétérogènes en réutilisant des feature maps de dimension et de nombre variables. La réutilisation de ces informations permet de gagner un temps significatif sans affecter laprécision.Nous mettons ensuite en place une solution de fusion multi-sources permettant de tirer profit d’acquisitions multispectrales. En combinant des feature maps à des niveaux hiérarchiques différents, il est possible d’améliorer la précision et de s’affranchir de l’étape de correction des erreursde parallaxe.Les solutions proposées se basent sur des hyperparamètres déterminés de manière empirique. Nous exploitons des concepts issus de la théorie de l’information pour automatiser la définition de ces paramètres et éviter la multiplication des étapes d’apprentissage.Le dernier axe des travaux vise à faciliter la mise en place des solutions par des approches semi-supervisées et des méthodes antagonistes génératives pour tenir compte des spécificités des jeux de données relatifs aux maladies de la vigne : classes déséquilibrées, phase de labélisation chronophage… ; Artificial intelligence is more and more used for Smart Farming. However, it has several limitations such as significant resource requirements,which lengthens the time it takes to process data.In this work, we are interested in deep learning solutions to automate the detection of Flavescence Dorée, a Grapevine yellow that recently appeared in Champagne. We ...