Appel à contributions – Numéro spécial sur l'apprentissage en profondeur pour les applications environnementales des données de télédétection

Date limite de soumission reportée au : 1er novembre 2020

Inspiré par le grand potentiel du cerveau humain pour la reconnaissance d'objets, le Deep Learning (DL) a attiré l'attention au sein de la communauté de la télédétection au cours des dernières années. Le réseau neuronal convolutif supervisé (CNN), le réseau neuronal récurrent (RNN), les auto-encodeurs non supervisés (AE), le réseau de croyance profonde (DBN) et le réseau antagoniste génératif (GAN) sont les méthodes DL de pointe appliquées pour images de télédétection. Étant donné un ensemble de formation suffisamment large, ces méthodes sont avantageuses par rapport aux outils d'apprentissage automatique structurés peu profonds conventionnels, tels que les réseaux de neurones (NN), les machines à vecteurs de support (SVM) et les algorithmes d'ensemble, par exemple, la forêt aléatoire (RF), qui ont été utilisé avec succès dans l'analyse de données de télédétection depuis plusieurs années.

La popularité des méthodes DL est attribuée à la fois à leur structure multicouche profonde, permettant l'extraction de caractéristiques de données robustes, invariantes et de haut niveau, et à leur schéma d'apprentissage de bout en bout. En d'autres termes, ces méthodes ont la capacité d'apprendre une série de caractéristiques hiérarchiques abstraites à partir de données d'entrée brutes et de fournir une sortie finale spécifique à une tâche, supprimant ainsi la conception d'ingénierie de caractéristiques heuristiques.

La Revue canadienne de télédétection a pour objectif de publier un numéro spécial sur « L'apprentissage en profondeur pour les applications environnementales des données de télédétection ». L'objectif principal de ce numéro spécial est de promouvoir les récentes applications thématiques de recherche et de développement d'approches d'apprentissage en profondeur pour une variété de problèmes de télédétection. Les articles de nature applicative fournissant de nouveaux ensembles de données publics axés sur l'apprentissage profond pour la communauté de la télédétection sont les bienvenus.

Les soumissions sont encouragées à couvrir un large éventail de sujets tels que l'apprentissage par transfert, la conception de nouvelles architectures d'apprentissage en profondeur, la formation efficace des architectures d'apprentissage en profondeur, la préparation d'un ensemble de données publiques à grande échelle axée sur l'apprentissage en profondeur, l'apprentissage par renforcement en profondeur, le modèle d'apprentissage en profondeur dans Geo Big Données, qui peuvent inclure, sans s'y limiter, les applications suivantes : fusion, segmentation et classification d'images ; pan-sharpening, débruitage et super-résolution ; interventions en cas de catastrophe (par exemple, marée noire, inondation); détection des changements d'utilisation et de couverture des sols ; détection de cible (p. ex. navire et iceberg); prévision du rendement des cultures et surveillance de l'environnement (p. ex. terres humides et forêts).

SOUMISSION DES MANUSCRITS

Tous les manuscrits seront soumis à un examen par les pairs et aux frais de publication standard. Les articles de recherche, les articles de synthèse, ainsi que les notes de recherche, sont tous les bienvenus et invités.

Les auteurs potentiels doivent suivre les directives régulières du CJRS-JCT disponibles sur le site Web de Taylor & Francis à http://www.tandfonline.com/r/cjrs

La date de publication ciblée sera début 2021. Les manuscrits doivent être soumis par 1 novembre 2020 via le site Web CJRS-JCT ScholarOne Manuscripts sous le Numéro spécial sur "Deep Learning pour les applications environnementales des données de télédétection», sur https://mc.manuscriptcentral.com/cjrs-jct/

Frais réguliers par papier ($400 USD pour un article de recherche ou de révision, $300 USD pour une note de recherche) s'appliquera à tous les articles publiés, ainsi qu'au processus standard d'examen par les pairs.

CONTACTS

CJRS-JCT Rédactrice en chef : Monique Bernier, INRS – Québec, QC, Canada

Courriel : eic-redactrice.cjrs-jct@inrs.ca

Rédacteurs invités – Numéro spécial du CJRS-JCT sur l'apprentissage en profondeur pour les applications environnementales des données de télédétection :