Appel à manuscrits – Numéro spécial du JCT – L’apprentissage automatique à grande échelle pour la cartographie au moyen de données multi-sources

Publié le 25 juin 2020

Date limite de soumission: 30 novembre 2020


Grâce aux progrès rapides des technologies de détection, une énorme quantité de données géospatiales peuvent maintenant être recueillies à partir de capteurs tels que des caméras, des radiomètres multi et hyperspectrals, des radar à ouverture synthétique (SAR) et des lasers. Les plates-formes comprennent des satellites, des avions, des véhicules aériens et terrestres sans pilote, des bateaux, des trains, des voitures et des humains pour des capteurs portatifs ou dans un sac à dos. Les informations géométriques et sémantiques issues de ces ensembles de données sont essentielles pour prendre des décisions éclairées et résoudre des problèmes du monde réel. Cependant, la façon d’extraire avec précision et la fiabilité de l’information de ces ensembles de données demeurent un sujet d’actualité pour les cartographes et les autres communautés de géoinformation.

Au cours de la dernière décennie, l’apprentissage profond (DL) a connu un succès remarquable d’abord en reconnaissance vocale, puis en classification d’images suivies par de nombreuses applications en télédétection. Récemment, l’accent dans les domaines de la télédétection est placé sur le traitement des données 3D en particulier l’apprentissage profond pour les nuages de points acquis par les LiDAR. La commission sur la cartographie axée sur les capteurs de l’Association cartographique internationale (ICA) et le Journal canadien de télédétection visent à publier un numéro spécial sur “L’apprentissage automatique à grande échelle pour la cartographie au moyen de données multi-sources”.  L’objectif principal de ce numéro spécial est de promouvoir les applications thématiques des approches d’apprentissage profond pour une variété de problèmes de cartographie. Les approches comprennent la conception et la formation efficace de nouvelles architectures d’apprentissage profond, les algorithmes de modélisation 3D, l’apprentissage contradictoire génératif, l’apprentissage des transferts, l’apprentissage méta, semi-supervisé, faiblement supervisé, auto-supervisé, et en profondeur, la recherche d’architecture neuronale et les ensembles de données à grande échelle pertinents à l’apprentissage profond. Les applications comprennent, mais ne se limitent pas à :

  • Extraction d’informations cartographiques à partir d’images optiques et SAR ainsi que de nuages de points LiDAR;
  • Reconstruction 3D et modélisation des environnements construits à partir d’images et de nuages de points;
  • Fusion de données multi-capteurs, y compris la fusion optique-SAR, la fusion d’images de nuages de points, le rehaussement d’images;
  • Superposition et segmentation des images et des nuages de points;
  • Reconnaissance, classification et détection des changements d’objets cartographiques;
  • Nuages de points stéréoscopiques, panoramas, images des téléphones portables, photos obliques et images satellites;
  • Informatique haute performance pour les images à grande échelle et les nuages de points;
  • Modélisation urbaine à grande échelle à partir d’images aériennes, terrestres et mobiles et de nuages de points LiDAR;
  • Génération de plan d’étage 2D et modélisation 3D des images intérieures et des nuages de points;
  • Localisation et cartographie intérieures à l’aide de l’apprentissage profond;
  • Intégration de la cartographie intérieure avec la modélisation de l’information sur les bâtiments (BIM);

 SOUMISSION DES MANUSCRITS

Tous les manuscrits seront soumis à un examen par les pairs et à des frais de publication. Les articles de recherche ou de synthèse et les notes de recherche sont bienvenus et invités.

Les auteurs potentiels doivent suivre les directives du CJRS-JCT disponibles sur le site Web de Taylor & Francis à l’adresse suivante:

https://www.tandfonline.com/action/authorSubmission?show=instructions&journalCode=ujrs20

La date de publication ciblée est l’été 2021. Les soumissions électroniques doivent être soumises à l’adresse ci-dessous avant le 30 novembre 2020. Les manuscrits doivent être soumis via le portail ScholarOne Manuscripts du Journal canadien de télédétection en sélectionnant le numéro spécial  (Special Issue) “Large-scale Machine Learning for Sensor-driven Mapping” ou en abrégé « Deep Learning for Mapping » à l’adresse suivante: https://mc.manuscriptcentral.com/cjrs-jct/

Les coûts par article (400 USD pour un article de recherche ou de revue ou 300 USD pour une courte note de recherche) s’appliqueront à tous les articles publiés, ainsi que le processus régulier d’évaluation par les pairs. Les licences Libre Accès sont aussi disponibles.

CONTACTS

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

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

Rédacteurs invités – Numéro spécial sur « L’apprentissage automatique à grande échelle pour la cartographie au moyen de données multi-sources »:

Ruisheng Wang
ruiswang@ucalgary.ca
University of Calgary Calgary, AB, Canada
Roger Wheate
wheate@unbc.ca
University of Northern British Columbia Prince George, BC, Canada
Jonathan Li
junli@uwaterloo.ca
University of Waterloo Waterloo, ON, Canada