Appel à manuscrits – Numéro spécial sur L’apprentissage profond pour les applications environnementales des données de télédétection

Date limite de soumission: 30 juin 2020

Inspiré par le potentiel considérable des cerveaux humains pour la reconnaissance d’objets, l’Apprentissage profond (AP) a attiré l’attention au sein de la communauté de la télédétection au cours des dernières années. Le réseau de neurones convolutifs (RNC) supervisés, le réseau de neurones récurrents (RNR), les Auto-Encodeurs (AE) non supervisés, le réseau de croyances profonds (RCP) et les réseaux antagonistes génératifs (RAG) sont les méthodes de pointe en AP utilisées pour l’imagerie de télédétection. Ces méthodes sont avantageuses par rapport aux outils classiques d’apprentissage automatique structuré peu profonds, tels que les réseaux de neurones (NN), les machines à vecteurs de support (MVS) et les algorithmes d’ensemble, par exemple, les forêts aléatoires (FA), qui ont été utilisés avec succès dans l’analyse des données de télédétection pendant plusieurs années.

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

Le Journal Canadien de Télédétection a pour objectif de publier un numéro spécial sur « L’apprentissage profond 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 développement basées sur des approches en apprentissage profond pour une variété de problématiques de télédétection. Les articles de nature applicative et de développement d’algorithmes fournissant de nouveaux ensembles de données publiques 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 comme l’apprentissage par transfert et par renforcement, conception de nouvelles architectures et entrainement efficace d’architectures en apprentissage profond, l’application de modèles d’apprentissage profond dans les méga données géospatiales, préparation d’un ensemble de données publiques à grande échelle axé sur l’apprentissage profond qui peuvent inclure, sans s’y limiter, les sujets suivants: fusion des données, segmentation et classification, pan-sharpening, débruitage et super-résolution, interventions en cas de catastrophe (par exemple, marée noire, inondation ), détection de changement de la couverture / utilisation du sol, détection de cibles (par exemple, navire et iceberg), modélisation et prévision du rendement des cultures, surveillance de l’environnement (par exemple, zone humide et forêt).

SOUMISSION DE 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 les 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: http://www.tandfonline.com/r/cjrs

La date de publication ciblée sera le début de l’année 2021. Les soumissions électroniques doivent être soumises à l’adresse ci-dessous avant le 30 juin 2020.  Les manuscrits doivent être soumis via le portail ScholarOne Manuscripts du Journal canadien de télédétection sous le numéro spécial  (Special Issue) « Deep Learning for Environmental Applications of Remote Sensing Data», à l’adresse suivante: https://mc.manuscriptcentral.com/cjrs-jct/

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

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 profond pour les applications environnementales des données de télédétection »:

Masoud Mahdianpari

masoud.mahdianpari@c-core.ca

Memorial U. / C-Core St. John’s, NL, Canada
Saeid Homayouni

saeid.homayouni@ete.inrs.ca

INRS Quebec, Qc, Canada
Samuel Foucher

samuel.foucher@crim.ca

CRIM Montreal, Qc, Canada