CraterNet : a Fully Convolutional Neural Network for Lunar Crater Detection Based on Remotely Sensed Data
Glaude, Quentin
Promoteur(s) : Cornet, Yves
Date de soutenance : 26-jui-2017/27-jui-2017 • URL permanente : http://hdl.handle.net/2268.2/2486
Détails
Titre : | CraterNet : a Fully Convolutional Neural Network for Lunar Crater Detection Based on Remotely Sensed Data |
Titre traduit : | [fr] CraterNet : un réseau neuronal entièrement convolutif pour la détection de cratères lunaires sur base de produits issus de la télédétection |
Auteur : | Glaude, Quentin |
Date de soutenance : | 26-jui-2017/27-jui-2017 |
Promoteur(s) : | Cornet, Yves |
Membre(s) du jury : | Demoulin, Alain
Geurts, Pierre Van Droogenbroeck, Marc |
Langue : | Anglais |
Nombre de pages : | 159 |
Mots-clés : | [en] Fully Convolutional Networks [en] Crater Detection [en] Deep Learning |
Discipline(s) : | Ingénierie, informatique & technologie > Sciences informatiques Physique, chimie, mathématiques & sciences de la terre > Sciences de la terre & géographie physique |
Public cible : | Chercheurs Professionnels du domaine Etudiants |
Institution(s) : | Université de Liège, Liège, Belgique |
Diplôme : | Master en sciences géographiques, orientation géomatique et géométrologie, à finalité spécialisée |
Faculté : | Mémoires de la Faculté des Sciences |
Résumé
[en] In this master thesis, we propose a novel approach to detect lunar craters using new deep learning advances. The architecture of the model employed is a fully convolutional neural network that uses the freely available remotly sensed data from the «Lunar Reconnaissance Orbiter» space probe. In this brief, we discuss the methodology, the choices made and the evaluation of the model with different visual and quantitative results in addition to the source code.
Fichier(s)
Document(s)
[QUENTIN][GLAUDE][2017].pdf
Description: CraterNet : a Fully Convolutional Neural Network for Crater Detection on Lunar Remotely Sensed Data
Taille: 22.86 MB
Format: Adobe PDF
Description: CraterNet : a Fully Convolutional Neural Network for Crater Detection on Lunar Remotely Sensed Data
Taille: 22.86 MB
Format: Adobe PDF
Annexe(s)
Citer ce mémoire
Tous les documents disponibles sur MatheO sont protégés par le droit d'auteur et soumis aux règles habituelles de bon usage.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.