Séminaire Pierre Lepetit – Paris Saclay, LATMOS et Univ. Versailles.
Estimation des conditions météorologiques d’après photo. Focus sur la
détection et la segmentation de la neige.
L’homme sait discriminer des situations météorologiques sur la base del’image. La vision artificielle permet-elle de caractériser le temps avec la même acuité? Permet-elle de faire mieux, en estimant, par exemple, des paramètres quantitatifs comme la visibilité ou la température? L’estimation des conditions météorologiques (ECM), une branche de la compréhension de scène, aborde ces deux questions depuisune quinzaine d’années. A la fin des années 2000, les approches par apprentissage, très flexibles, sont venues compléter la modélisation physique et, suivant une tendance globale, des datasets de plus en plus
larges ont été constitués. A partir de 2016, le deep learning s’est imposé comme un outil incoutournable dans le domaine. Dans cet exposé,je décrirai cette évolution et je présenterai un état de l’art.
Dans un second temps, j’évoquerai le cas de la neige, montrant comment
les derniers développements de l’ECM amènent à envisager la question de
la caractérisation de la neige sur les images webcams.
larges ont été constitués. A partir de 2016, le deep learning s’est imposé comme un outil incoutournable dans le domaine. Dans cet exposé,je décrirai cette évolution et je présenterai un état de l’art.
Dans un second temps, j’évoquerai le cas de la neige, montrant comment
les derniers développements de l’ECM amènent à envisager la question de
la caractérisation de la neige sur les images webcams.