WO2023118548A1 - Procédé de détection d'un tourbillon dans une étendue d'eau et système associé - Google Patents

Procédé de détection d'un tourbillon dans une étendue d'eau et système associé Download PDF

Info

Publication number
WO2023118548A1
WO2023118548A1 PCT/EP2022/087678 EP2022087678W WO2023118548A1 WO 2023118548 A1 WO2023118548 A1 WO 2023118548A1 EP 2022087678 W EP2022087678 W EP 2022087678W WO 2023118548 A1 WO2023118548 A1 WO 2023118548A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
data
vortex
neural network
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2022/087678
Other languages
English (en)
Inventor
Evangelos MOSCHOS
Alexandre STEGNER
Briac LE VU
Olivier SCHWANDER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
Sorbonne Universite
Ecole Normale Superieure de Paris
Original Assignee
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
Sorbonne Universite
Ecole Normale Superieure de Paris
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre National de la Recherche Scientifique CNRS, Ecole Polytechnique, Sorbonne Universite, Ecole Normale Superieure de Paris filed Critical Centre National de la Recherche Scientifique CNRS
Priority to EP22838884.9A priority Critical patent/EP4453906A1/fr
Publication of WO2023118548A1 publication Critical patent/WO2023118548A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Definitions

  • the present invention relates to a method for detecting at least one whirlpool in a body of water.
  • the present invention also relates to methods using the result of the detection method.
  • the present invention also relates to a corresponding detection system
  • Ocean eddies have an impact on surface and deep currents. This can in particular impede the movement of ships.
  • eddies correspond to temperature and salinity anomalies that extend deep below the surface, so that these eddies locally modify the transport and mixing properties in each direction. This leads in particular to changes in the distribution of biochemical species and pollutants.
  • the precision is low because, on the one hand, the altimetric data contain intrinsic errors that are difficult to correct and, on the other hand, the resolution of these data does not make it possible to detect small eddies, i.e. eddies with a radius of less than 25 kilometres.
  • the description describes a method for detecting at least one whirlpool in a body of water, the method being implemented by computer and including the reception of an image of the body of water taken with a resolution less than or equal to 10 km, the application of a neural network on the image received to detect the possible presence of at least one whirlpool on the body of water and, if necessary, the position of at least one whirlpool on the body of water, the neural network being a fully convolutional neural network, the neural network having been learned by training data, the training data comprising synthetic data, each datum synthetic being an image pair of a stretch of water and position of the vortices contained in said image, the position of each vortex being obtained by applying a vortex detector to the image of the synthetic datum and to the velocity field of each vortex contained in the image of the synthetic data.
  • the detection method is therefore a method of dynamic detection of vortices giving access more to a more complete characterization than simply their position.
  • the detection process is a segmentation process and not a simple classification process.
  • the detection method is a method in which the neural network is only applied to the received image, that is to say an image of the body of water of the SST type.
  • the detection method is thus a method providing more information than the known methods with a gain in precision while taking as input data that is easier to obtain.
  • the detection method has one or more of the following characteristics, taken in isolation or according to all the technically possible combinations:
  • the image comprises pixels, and in which, during the application step, the neural network classifies each pixel according to at least two categories, one category being membership in a vortex and another category being non - belonging to a whirlpool.
  • the neural network classifies each pixel according to three categories: a first category being belonging to an anticyclonic vortex, a second category being belonging to a cyclonic vortex and a third category being not belonging to a vortex.
  • each image is a surface temperature image.
  • each image is a visible image.
  • the image received has a resolution less than or equal to 3 kilometres.
  • the method further comprising the display of the received image in which the outer contours of the detected vortices are highlighted.
  • the learning data also includes data derived from the synthetic data by a data augmentation technique.
  • the neural network is a fully convolutional neural network.
  • the description also relates to a method comprising the implementation of the detection method as previously described, the method further comprising the exploitation of the vortices detected by implementing a step chosen from among the optimization of a trajectory of a ship to use the currents induced by the detected eddies, the prediction of the trajectory of pollutants, and the prediction of the zones of aggregation of fish.
  • the description also relates to a computer program product comprising program instructions forming a computer program stored on a readable information medium, the computer program being loadable on a data processing unit and implementing a method as previously described when the computer program is implemented on the data processing unit.
  • the description also describes a readable information medium comprising program instructions forming a computer program, the computer program being loadable on a data processing unit and implementing a method as described above when the program d computer is implemented on the data processing unit.
  • FIG. 1 is a schematic representation of a system and a computer program product
  • FIG. 2 is a flowchart of an example of implementation of a process for detecting vortices in an image
  • FIG. 3 is a schematic representation of the structure of a neural network used in the detection process.
  • FIG. 1 A system 10 and a computer program product 12 are shown in Figure 1.
  • the interaction between the system 10 and the computer program product 12 allows the implementation of a method for detecting the presence of a whirlpool in a body of water.
  • the detection method is thus a computer-implemented method.
  • System 10 is a desktop computer.
  • system 10 is a rack-mounted computer, laptop, tablet, personal digital assistant (PDA), or smartphone.
  • PDA personal digital assistant
  • the system 10 comprises a computer 14, a user interface 16 and a communication device 18.
  • the calculator 14 is an electronic circuit designed to manipulate and/or transform data represented by electronic or physical quantities in registers of the system 10 and/or memories into other similar data corresponding to physical data in the memories of registers or other types of display devices, transmission devices or storage devices.
  • the computer 14 includes a single-core or multi-core processor (such as a central processing unit (CPU), a graphics processing unit (GPU), a microcontroller, and a digital signal processor (DSP)) , programmable logic circuit (such as application-specific integrated circuit (ASIC), field-programmable gate array (FPGA), programmable logic device (PLD), and programmable logic arrays (PLA)), state machine , a logic gate and discrete hardware components.
  • a single-core or multi-core processor such as a central processing unit (CPU), a graphics processing unit (GPU), a microcontroller, and a digital signal processor (DSP)
  • DSP digital signal processor
  • programmable logic circuit such as application-specific integrated circuit (ASIC), field-programmable gate array (FPGA), programmable logic device (PLD), and programmable logic arrays (PLA)
  • state machine a logic gate and discrete hardware components.
  • the computer 14 comprises a data processing unit 20 suitable for processing data, in particular by performing calculations, memories 22 suitable for storing data and a reader 24 suitable for reading a computer-readable medium.
  • the user interface 16 includes an input device 26 and an output device 28.
  • the input device 26 is a device allowing the user of the system 10 to enter information or commands on the system 10.
  • the input device 26 is a keyboard.
  • the input device 26 is a pointing device (such as a mouse, touchpad, and graphics tablet), a voice recognition device, an eye tracker, or a haptic (motion analysis) device.
  • the output device 28 is a graphical user interface, i.e. a display unit designed to provide information to the user of the system 10.
  • the output device 28 is a display screen allowing a visual presentation of the output.
  • the output device 28 is a printer, augmented and/or virtual display unit, speaker, or other sound generating device for presenting the output in sound form, a generating unit vibrations and/or odors or a unit adapted to produce an electrical signal.
  • the input device 26 and the output device 28 are the same component forming human-machine interfaces, such as an interactive screen.
  • the communication device 18 allows unidirectional or bidirectional communication between the components of the system 10.
  • the communication device 18 is a bus communication system or an input/output interface.
  • the presence of the communication device 18 allows that, in certain embodiments, the components of the computer 14 are distant from each other.
  • Computer program product 12 includes computer readable medium 30.
  • the computer-readable medium 30 is a tangible device readable by the reader 14 of the computer 14.
  • the computer-readable medium 30 is not a transient signal per se, such as radio waves or other freely propagating electromagnetic waves, such as light pulses or electronic signals.
  • Such a computer-readable storage medium is, for example, an electronic storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any combination thereof. these.
  • computer-readable storage medium 30 is a mechanically encoded device, such as punched cards or grooved relief structures, floppy disk, hard disk, ROM (ROM), Random Access Memory (RAM), Erasable Programmable Read Only Memory (EROM), Electrically Erasable Readable Memory (EEPROM), Magneto-Optical Disk, Static Random Access Memory (SRAM), Compact Disc ( CD-ROM), digital versatile disk (DVD), USB flash drive, floppy disk, flash memory, solid state disk (SSD) or PC card such as a PCMCIA memory card.
  • ROM Read Only Memory
  • EROM Erasable Programmable Read Only Memory
  • EEPROM Electrically Erasable Readable Memory
  • SRAM Static Random Access Memory
  • CD-ROM Compact Disc
  • DVD digital versatile disk
  • USB flash drive floppy disk
  • SSD solid state disk
  • PCMCIA memory card such as a PCMCIA memory card.
  • a computer program is stored on the computer-readable storage medium 30.
  • the computer program includes one or more sequences of stored program instructions.
  • Such program instructions when executed by data processing unit 20, cause steps of the determination method to be executed.
  • the form of program instructions is source code form, computer executable form, or any intermediate form between source code and computer executable form, such as the form resulting from source code conversion through an interpreter , assembler, compiler, linker, or locator.
  • the program instructions are microcode, firmware instructions, state definition data, integrated circuit configuration data (eg VHDL) or object code.
  • Program instructions are written in any combination of one or more languages, for example an object-oriented programming language (FORTRAN, C++, JAVA, HTML), a procedural programming language (C language by example). In Applicant's experimental implementation, the language chosen was Python.
  • object-oriented programming language FORRTRAN, C++, JAVA, HTML
  • procedural programming language C language by example.
  • Python Python
  • program instructions are downloaded from an external source via a network, as is notably the case for applications.
  • the computer program product comprises a computer-readable data carrier on which the program instructions are stored or a data carrier signal on which the program instructions are encoded.
  • the computer program product 12 comprises instructions which can be loaded into the data processing unit 20 and adapted to cause the execution of the detection method when they are executed by the data processing unit. data 20.
  • the execution is entirely or partially carried out either on the system 10, that is to say a single computer, or in a system distributed between several computers (in particular via the use of the cloud computing).
  • FIG. 2 is a flowchart illustrating an example of implementation of the detection method.
  • the detection method seeks to detect at least one whirlpool in a body of water.
  • the method comprises a phase of establishment P1 of a prediction tool and a phase of exploitation P2 of the established prediction tool.
  • the establishment phase is implemented offline and the operation phase is implemented online using System 10.
  • the establishment phase P1 aims to obtain a prediction tool.
  • the prediction tool uses images of a body of water to predict the characteristic contour of one or more eddies present in the area over a small area.
  • the prediction tool is a neural network which will be described more precisely in what follows.
  • the establishment phase P1 comprises a step E50 of constitution of a learning database and a learning step E52.
  • the constitution step E50 aims to generate data which will be used for learning and which are therefore synthetic data.
  • the database is a large database, comprising several thousand, preferably several tens of thousands of data.
  • Each synthetic datum is a couple formed by a surface temperature image of a body of water on the one hand and the characteristic contours of the eddies contained in said image on the other hand.
  • This pair of synthetic data used in the learning step E52 comes from a numerical model of ocean circulation.
  • the resolution of this digital model has a resolution comparable, preferably at least equal, to the resolution of the satellite images, typically 2 km by 2 km. Such a resolution makes it possible to obtain all the filamentary structures surrounding the vortex and to characterize its shape and its direction of rotation (cyclonic or anticyclonic).
  • the ocean model is thus a high-resolution model. This model is suitable for solving dynamic equations of the three-dimensional ocean forced by surface winds and atmospheric radiative fluxes.
  • a surface temperature image of a body of water is a satellite image. Such an image is often referred to as the SST image, the abbreviation SST referring to the corresponding English name of “Sea Surface Temperature”.
  • the position of each vortex is obtained by applying a vortex detector to the surface temperature image of the synthetic data and to the velocity field of each vortex contained in the surface temperature image of the synthetic data.
  • the characteristic contour of each vortex is obtained using the velocity field of the numerical ocean circulation model.
  • the vortex detector is also able to determine the contour of the vortex.
  • the contour of a vortex is defined as the closed streamline encompassing the center of the vortex and whose average speed along the contour is maximum. For this, the average speed is calculated along each closed streamline which surrounds the center of the vortex and the streamline retained as the contour of the vortex is the streamline presenting the strongest value.
  • the vortex detector is, for example, the AMEDA tool described in article B. Le Vu et al. entitled “Angular Momentum Eddy Detection and tracking Algorithm (AMEDA) and its application to coastal eddy formation” J. Atmos. Oceanic Technol, c. 35, 739-762.
  • the vortex contour is added on each SST image to improve the quality of the prediction of the neural network to be learned.
  • part of the image is then extracted to obtain a surface temperature image centered on the area where the detected vortex is located.
  • the size of the imaged area is linked to that of the vortex to be detected.
  • the ratio between the size of the imaged area and the size of the swirl is greater than or equal to four and less than or equal to 8.
  • the size of an area is evaluated by determining the number of pixels that the area has.
  • a data augmentation technique is used to obtain data derived from synthetic data.
  • the training database includes both synthetic data and data derived from synthetic data.
  • an artificial image is generated by rotating the image of the area. The new artificial image can thus be used as data in combination with the determination of the same vortex.
  • the neural network is learned using the database.
  • the neural network is able to determine the contour of a swirl and determine the pixels comprising the swirl.
  • the neural network classifies each pixel according to at least two categories, namely a category of belonging to a vortex and another category of not belonging to a vortex.
  • the neural network classifies each pixel according to three categories: a first category being membership in an anticyclonic vortex, a second category being membership in a cyclonic vortex and a third category being non-membership of a whirlwind
  • the neural network is a fully convolutional neural network.
  • the neural network has a U-Net type structure.
  • Such a neural network is a fully convolutional neural network. Such a network allows to obtain more precise image segmentations while operating with fewer training images.
  • the structure of the neural network is shown in Figure 3.
  • the structure of the neural network has a U-shape insofar as they use two branches, a first and a second corresponding to each other.
  • the first branch B1 is a contracting part while the second branch B2 is an expansive path.
  • the first branch is a convolution network consisting of a repeated application of convolutional filters of size 3x3, each followed by a rectified linear unit (denoted by ReLU in Figure 3) and a MaxPooling (maximum pooling) operation.
  • the learning process consists of determining the coefficients of the convolutional filters, which each serve to extract certain characteristics from the input image.
  • the layer denoted ReLu is an activation function, which decides whether a certain filter should be activated or not, and which introduces a non-linearity in the learning process.
  • the second branch combines geographic and spatial feature information through a sequence of upward convolutions and concatenations with high-resolution features from the contracting pathway.
  • the number of feature maps extracted by the convolutional operation increases in the first branch while it decreases in the second branch.
  • the number of convolutional filters applied to each convolution layer is equal to this number of feature maps at each step.
  • the neural network comprises in the first branch an increasing number of maps of the characteristics first N then 2N and so on increasing by 2 each time to reach 16N then in a second branch of the convolutional layers smaller and smaller, decreasing by 2 each time to return to N.
  • the convolutional layers of the second branch apply the inverse operation to those of the first branch, called transposed convolution (hence the use of the notation N *).
  • the characteristic maps of each stage of the second branch are also concatenated (see notation C in figure 3) with the corresponding maps coming from the first branch by the concatenation operation illustrated in figure 3, before the application of the convolution next transpose.
  • each convolutional layer is a so-called “MaxPooling” layer (MP in figure 3) in the first branch and a so-called “UpSampling” layer (UP in figure 3) in the second branch.
  • MP MaxPooling
  • UP UpSampling
  • the learned neural network is able to predict from an SST image whether a vortex is present and what its contour is.
  • the neural network does not need to take any other data as input, including altimetry data.
  • the exploitation phase P2 comprises a reception step E54, an application step E56 and a display step E58.
  • the system 10 receives an image of the body of water.
  • the image is a high-resolution image, i.e. an image taken with a resolution less than or equal to 10 kilometers (km).
  • the image received has a better resolution, for example a resolution less than or equal to 2 km.
  • the image received is a surface temperature image.
  • the system 10 applies the learned neural network to the image received to detect the possible presence of at least one whirlpool on the expanse of water and, if necessary, the position at least one whirlpool on the body of water.
  • the system 10 displays the received image in which the outer contours of the detected vortices are highlighted.
  • the applicant carried out a test on SST images taken from digital models and simulated altimetric data taken from this same digital model which reproduce an entire year of ocean circulation in the Mediterranean Sea. This corresponds to a set of test samples of eddies whose average radius is greater than 20 km.
  • the applicant has made it possible to show that the detection process detects 98% of these eddies, whereas a technique based on altimetric data only detects 65% in the Mediterranean Sea.
  • the method thus makes it possible to determine, in an efficient manner, the presence of vortices in a body of water of restricted size in the absence of clouds. Since the whole of an ocean basin can be divided into several zones of restricted size, the method is not limited by the size of the zone studied, even if it means implementing the method for several zones.
  • the method allows the detection of small eddies.
  • Such exploitation is, for example, the optimization of a trajectory of a ship in the expanse of water to avoid facing the currents generated by the detected eddies.
  • the optimization of the trajectory can aim to modify the trajectory of a ship to go in the direction of the currents generated by the detected eddies.
  • a method of predicting the trajectory of pollutants includes implementing the method of detecting and predicting the trajectory of pollutants based on the vortices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

La présente invention concerne un procédé de détection d'un tourbillon dans une étendue d'eau comportant: - la réception d'une image de l'étendue d'eau prise, - l'application d'un réseau de neurones sur l'image reçue pour détecter la présence éventuelle d'au moins un tourbillon sur l'étendue d'eau, le réseau de neurones étant un réseau de neurones entièrement convolutif ayant été appris par des données d'apprentissage, les données d'apprentissage comportant des données synthétiques, chaque donnée synthétique étant un couple image d'une étendue d'eau et position des tourbillons contenus dans ladite image, la position de chaque tourbillon étant obtenue par application d'un détecteur de tourbillons sur l'image de la donnée synthétique et sur le champ de vitesse de chaque tourbillon contenu dans l'image de la donnée synthétique.

Description

Procédé de détection d’un tourbillon dans une étendue d’eau et système associé
La présente invention concerne un procédé de détection d’au moins un tourbillon dans une étendue d’eau. La présente invention se rapporte également à des procédés utilisant le résultat du procédé de détection. La présente invention concerne aussi un système de détection correspondant
Les tourbillons océaniques ont un impact sur les courants de surface et en profondeurs. Cela peut en particulier gêner la circulation des navires.
En outre, les tourbillons correspondent à des anomalies de température et de salinité qui s’étendent profondément en-dessous de la surface, de sorte que ces tourbillons modifient localement les propriétés de transport et de mélange dans chaque direction. Cela entraîne notamment des modifications dans la distribution des espèces biochimiques et des polluants.
Il est donc souhaitable de pouvoir détecter de manière automatique et fiable les tourbillons dans une étendue d’eau.
Pour cela, il est connu d’utiliser des données altimétriques et d’utiliser des outils de prédiction de la présence de tourbillons appliqués sur ces données.
Toutefois, la précision est faible car d’une part, les données altimétriques comportent des erreurs intrinsèques difficiles à corriger et, d’autre part, la résolution de ces données ne permet pas de détecter les petits tourbillons, c’est-à-dire des tourbillons présentant un rayon inférieur à 25 kilomètres.
Il existe donc un besoin pour un procédé de détection d’au moins un tourbillon dans une étendue d’eau qui soit efficace.
A cet effet, la description décrit un procédé de détection d’au moins un tourbillon dans une étendue d’eau, le procédé étant mis en œuvre par ordinateur et comportant la réception d’une image de l’étendue d’eau prise avec une résolution inférieure ou égale à 10 km, l’application d’un réseau de neurones sur l’image reçue pour détecter la présence éventuelle d’au moins un tourbillon sur l’étendue d’eau et, le cas échéant, la position d’au moins un tourbillon sur l’étendue d’eau, le réseau de neurones étant un réseau de neurones entièrement convolutif, le réseau de neurones ayant été appris par des données d’apprentissage, les données d’apprentissage comportant des données synthétiques, chaque donnée synthétique étant un couple image d’une étendue d’eau et position des tourbillons contenus dans ladite image, la position de chaque tourbillon étant obtenue par application d’un détecteur de tourbillons sur l’image de la donnée synthétique et sur le champ de vitesse de chaque tourbillon contenu dans l’image de la donnée synthétique. Le procédé de détection est donc un procédé de détection dynamique de tourbillons donnant accès plus une caractérisation plus complète que simplement leur position.
En ce sens, le procédé de détection est un procédé de segmentation et non un simple procédé de classification.
En outre, le procédé de détection est un procédé dans lequel le réseau de neurones est uniquement appliqué sur l’image reçue, c’est-à-dire une image de l’étendue d’eau de type SST.
Cela rend le procédé bien plus efficace et simple à mettre en œuvre qu’un procédé impliquant un outil numérique appliqué soit sur des images altimétriques (images SSH) soit sur des images SSH et SST.
Le procédé de détection est ainsi un procédé fournissant plus d’informations que les procédés connus avec un gain en précision tout en prenant en entrée des données plus simples à obtenir.
Selon des modes de réalisation particuliers, le procédé de détection présente une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou selon toutes les combinaisons techniquement possibles :
- l’image comporte des pixels, et dans lequel, lors de l’étape d’application, le réseau de neurones classe chaque pixel selon au moins deux catégories, une catégorie étant l’appartenance à un tourbillon et une autre catégorie étant la non- appartenance à un tourbillon.
- le réseau de neurones classe chaque pixel selon trois catégories : une première catégorie étant l’appartenance à un tourbillon anticyclonique, une deuxième catégorie étant l’appartenance à un tourbillon cyclonique et une troisième catégorie étant la non-appartenance à un tourbillon.
- chaque image est une image de température de surface.
- chaque image est une image visible.
- l’image reçue présente une résolution inférieure ou égale à 3 kilomètres.
- il est défini pour chaque tourbillon un contour extérieur, le procédé comportant, en outre, l’affichage de l’image reçue dans laquelle les contours extérieurs des tourbillons détectés sont mis en évidence.
- les données d’apprentissage comportent également des données dérivées des données synthétiques par une technique d’augmentation de données.
- le réseau de neurones est un réseau de neurones entièrement convolutionnel.
La description concerne aussi un procédé comportant la mise en œuvre du procédé de détection tel que précédemment décrit, le procédé comportant, en outre, l’exploitation des tourbillons détectés en mettant en œuvre une étape choisie parmi l’optimisation d’une trajectoire d’un navire pour utiliser les courants induits par les tourbillons détectés, la prédiction de la trajectoire de polluants, et la prédiction des zones de regroupement de poissons.
La description porte aussi sur un produit programme d’ordinateur comportant des instructions de programme formant un programme d’ordinateur mémorisé sur un support lisible d’informations, le programme d’ordinateur étant chargeable sur une unité de traitement de données et mettant en œuvre un procédé tel que précédemment décrit lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données.
La description décrit également un support lisible d’informations comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données et mettant en œuvre un procédé tel que précédemment décrit lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement de données.
Des caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels :
- la figure 1 est une représentation schématique d’un système et d’un produit programme d’ordinateur,
- la figure 2 est un ordinogramme d’un exemple de mise en œuvre de procédé de détection de tourbillons dans une image, et
- la figure 3 est une représentation schématique de la structure d’un réseau de neurones utilisé dans le procédé de détection.
Un système 10 et un produit programme d’ordinateur 12 sont représentés sur la figure 1.
L’interaction entre le système 10 et le produit programme d’ordinateur 12 permet la mise en œuvre d’un procédé de détection de la présence d’un tourbillon dans une étendu d’eau. Le procédé de détection est ainsi un procédé mis en œuvre par ordinateur.
Le système 10 est un ordinateur de bureau. En variante, le système 10 est un ordinateur monté sur un rack, un ordinateur portable, une tablette, un assistant numérique personnel (PDA) ou un smartphone.
Dans le cas de la figure 1 , le système 10 comprend un calculateur 14, une interface utilisateur 16 et un dispositif de communication 18.
Le calculateur 14 est un circuit électronique conçu pour manipuler et/ou transformer des données représentées par des quantités électroniques ou physiques dans des registres du système 10 et/ou des mémoires en d'autres données similaires correspondant à des données physiques dans les mémoires de registres ou d'autres types de dispositifs d'affichage, de dispositifs de transmission ou de dispositifs de mémorisation.
En tant qu’exemples spécifiques, le calculateur 14 comprend un processeur monocœur ou multicœurs (tel qu’une unité de traitement centrale (CPU), une unité de traitement graphique (GPU), un microcontrôleur et un processeur de signal numérique (DSP)), un circuit logique programmable (comme un circuit intégré spécifique à une application (ASIC), un réseau de portes programmables in situ (FPGA), un dispositif logique programmable (PLD) et des réseaux logiques programmables (PLA)), une machine à états, une porte logique et des composants matériels discrets.
Le calculateur 14 comprend une unité de traitement de données 20 adaptée pour traiter des données, notamment en effectuant des calculs, des mémoires 22 adaptées à stocker des données et un lecteur 24 adapté à lire un support lisible par ordinateur.
L'interface utilisateur 16 comprend un dispositif d'entrée 26 et un dispositif de sortie 28.
Le dispositif d’entrée 26 est un dispositif permettant à l'utilisateur du système 10 de saisir sur le système 10 des informations ou des commandes.
Sur la figure 1 , le dispositif d’entrée 26 est un clavier. En variante, le dispositif d’entrée 26 est un périphérique de pointage (tel qu'une souris, un pavé tactile et une tablette graphique), un dispositif de reconnaissance vocale, un oculomètre ou un dispositif haptique (analyse des mouvements).
Le dispositif de sortie 28 est une interface utilisateur graphique, c’est-à-dire une unité d’affichage conçue pour fournir des informations à l’utilisateur du système 10.
Sur la figure 1 , le dispositif de sortie 28 est un écran d’affichage permettant une présentation visuelle de la sortie. Dans d'autres modes de réalisation, le dispositif de sortie 28 est une imprimante, une unité d'affichage augmenté et/ou virtuel, un haut-parleur ou un autre dispositif générateur de son pour présenter la sortie sous forme sonore, une unité produisant des vibrations et/ou des odeurs ou une unité adaptée à produire un signal électrique.
Dans un mode de réalisation spécifique, le dispositif d'entrée 26 et le dispositif de sortie 28 sont le même composant formant des interfaces homme-machine, tel qu'un écran interactif.
Le dispositif de communication 18 permet une communication unidirectionnelle ou bidirectionnelle entre les composants du système 10. Par exemple, le dispositif de communication 18 est un système de communication par bus ou une interface d'entrée / sortie. La présence du dispositif de communication 18 permet que, dans certains modes de réalisation, les composants du calculateur 14 soient distants les uns des autres.
Le produit programme informatique 12 comprend un support lisible par ordinateur 30.
Le support lisible par ordinateur 30 est un dispositif tangible lisible par le lecteur 14 du calculateur 14.
Notamment, le support lisible par ordinateur 30 n'est pas un signal transitoire en soi, tels que des ondes radio ou d'autres ondes électromagnétiques à propagation libre, telles que des impulsions lumineuses ou des signaux électroniques.
Un tel support de stockage lisible par ordinateur 30 est, par exemple, un dispositif de stockage électronique, un dispositif de stockage magnétique, un dispositif de stockage optique, un dispositif de stockage électromagnétique, un dispositif de stockage à semi- conducteur ou toute combinaison de ceux-ci.
En tant que liste non exhaustive d'exemples plus spécifiques, le support de stockage lisible par ordinateur 30 est un dispositif codé mécaniquement, tel que des cartes perforées ou des structures en relief dans une gorge, une disquette, un disque dur, une mémoire morte (ROM), une mémoire vive (RAM), une mémoire effaçable programmable en lecture seule (EROM), une mémoire effaçable électriquement et lisible (EEPROM), un disque magnéto-optique, une mémoire vive statique (SRAM), un disque compact (CD-ROM), un disque numérique polyvalent (DVD), une clé USB, un disque souple, une mémoire flash, un disque à semi-conducteur (SSD) ou une carte PC telle qu'une carte mémoire PCMCIA.
Un programme d'ordinateur est stocké sur le support de stockage lisible par ordinateur 30. Le programme d'ordinateur comprend une ou plusieurs séquences d'instructions de programme mémorisées.
De telles instructions de programme, lorsqu'elles sont exécutées par l'unité de traitement de données 20, entraînent l'exécution d'étapes du procédé de détermination.
Par exemple, la forme des instructions de programme est une forme de code source, une forme exécutable par ordinateur ou toute forme intermédiaire entre un code source et une forme exécutable par ordinateur, telle que la forme résultant de la conversion du code source via un interpréteur, un assembleur, un compilateur, un éditeur de liens ou un localisateur. En variante, les instructions de programme sont un microcode, des instructions firmware, des données de définition d’état, des données de configuration pour circuit intégré (par exemple du VHDL) ou un code objet.
Les instructions de programme sont écrites dans n’importe quelle combinaison d’un ou de plusieurs langages, par exemple un langage de programmation orienté objet (FORTRAN, C++, JAVA, HTML), un langage de programmation procédural (langage C par exemple). Dans la mise en œuvre expérimentale de la demanderesse, le langage choisi était le Python.
Alternativement, les instructions du programme sont téléchargées depuis une source externe via un réseau, comme c'est notamment le cas pour les applications. Dans ce cas, le produit programme d'ordinateur comprend un support de données lisible par ordinateur sur lequel sont stockées les instructions de programme ou un signal de support de données sur lequel sont codées les instructions de programme.
Dans chaque cas, le produit programme d'ordinateur 12 comprend des instructions qui peuvent être chargées dans l'unité de traitement de données 20 et adaptées pour provoquer l'exécution du procédé de détection lorsqu'elles sont exécutées par l'unité de traitement de données 20. Selon les modes de réalisation, l'exécution est entièrement ou partiellement réalisée soit sur le système 10, c'est-à-dire un ordinateur unique, soit dans un système distribué entre plusieurs ordinateurs (notamment via l’utilisation de l’informatique en nuage).
Le fonctionnement du système 10 est maintenant décrit en référence à la figure 2 qui est un ordinogramme illustrant un exemple de mise en œuvre du procédé de détection.
Le procédé de détection cherche à détecter au moins un tourbillon dans une étendue d’eau.
Selon l’exemple décrit, le procédé comporte une phase d’établissement P1 d’un outil de prédiction et une phase d’exploitation P2 de l’outil de prédiction établi.
Il sera bien compris qu’en pratique, les phases d’établissement P1 et d’exploitation P2 sont mises en œuvre de manière indépendantes, la phase d’établissement P1 étant réalisée préalablement et la phase d’exploitation P2 étant réalisée ultérieurement à un autre endroit, et en particulier avec deux systèmes distincts.
A titre d’exemple particulier, la phase d’établissement est mise en œuvre hors ligne et la phase d’exploitation est mise en œuvre en ligne à l’aide du système 10.
La phase d’établissement P1 vise à obtenir un outil de prédiction.
L’outil de prédiction permet à partir d’images d’une étendue d’eau de prédire sur une zone réduite le contour caractéristique d’un ou plusieurs tourbillons présents dans la zone.
En l’occurrence, l’outil de prédiction est un réseau de neurones qui sera décrit plus précisément dans ce qui suit.
La phase d’établissement P1 comporte une étape de constitution E50 d’une base de données d’apprentissage et une étape d’apprentissage E52.
L’étape de constitution E50 vise à générer des données qui serviront à l’apprentissage et qui sont de ce fait des données synthétiques. En l’espèce, la base de données est une base de données de taille importante, comportant plusieurs milliers, de préférence plusieurs dizaines de milliers de données.
Chaque donnée synthétique est un couple formé par une image de température de surface d’une étendue d’eau d’une part et les contours caractéristiques des tourbillons contenus dans ladite image d’autre part.
Ce couple de données synthétiques utilisé dans l’étape d’apprentissage E52 est issu d’un modèle numérique de circulation océanique.
La résolution de ce modèle numérique présente une résolution comparable, de préférence au moins égale, à la résolution des images satellites, typiquement 2 km par 2 km. Une telle résolution permet d’assurer l’obtention de l’ensemble des structures filamentaires entourant le tourbillon et permettant de caractériser sa forme et son sens de rotation (cyclonique ou anticyclonique).
Le modèle océanique est ainsi un modèle à haute résolution. Ce modèle est propre à résoudre des équations dynamiques de l’océan en trois dimensions forcé par les vents de surface et les flux radiatifs atmosphériques.
Une image de température de surface d’une étendue d’eau est une image satellite. Une telle image est souvent désignée sous le terme image SST, l’abréviation SST renvoyant à la dénomination anglaise correspondante de « Sea Surface Temperature ».
La position de chaque tourbillon est obtenue par application d’un détecteur de tourbillons sur l’image de température de surface de la donnée synthétique et sur le champ de vitesse de chaque tourbillon contenu dans l’image de température de surface de la donnée synthétique. Le contour caractéristique de chaque tourbillon est obtenu à l’aide du champ de vitesse du modèle numérique de circulation océanique.
Le détecteur de tourbillons est également capable de déterminer le contour du tourbillon.
Le contour d’un tourbillon est défini comme la ligne de courant fermée englobant le centre du tourbillon et dont la moyenne des vitesses le long du contour est maximum. Pour cela, la vitesse moyenne est calculée le long de chaque ligne de courant fermée qui entoure le centre du tourbillon et la ligne de courant retenue comme le contour du tourbillon est la ligne de courant présentant la plus forte valeur.
Le détecteur de tourbillons est, par exemple, l’outil AMEDA décrit dans l’article B. Le Vu et al. intitulé « Angular Momentum Eddy Detection and tracking Algorithm (AMEDA) and its application to coastal eddy formation » J. Atmos. Oceanic Technol, v. 35, 739-762.
Dans la base de données, le contour du tourbillon est ajouté sur chaque image SST pour améliorer la qualité de la prédiction du réseau de neurones à apprendre. Pour générer une donnée, il est ensuite extrait une partie de l’image pour obtenir une image de température de surface est centrée sur la zone où se trouve le tourbillon détecté.
De préférence, la taille de la zone imagée est liée à celle du tourbillon à détecter. Typiquement, le rapport entre la taille de la zone imagée et la taille du tourbillon est supérieur ou égale à quatre et inférieure ou égale à 8.
En considérant que l’image de température de la surface comporte des pixels, la taille d’une zone est évaluée en déterminant le nombre de pixels que comporte la zone.
Sur une image SST, il sera ainsi possible de générer plusieurs données.
En complément optionnel, lors de l’étape de constitution, il est utilisé une technique d’augmentation de données pour obtenir des données dérivées des données synthétiques. Dans un tel cas, la base de données d’apprentissage comporte à la fois des données synthétiques et des données dérivées des données synthétiques. Par exemple, pour augmenter la variance des données, il est généré une image artificielle en faisant tourner l’image de la zone. La nouvelle image artificielle peut ainsi être utilisée comme donnée en combinaison avec la détermination du même tourbillon.
Cela permet d’avoir une grande variété d’échantillons de signatures de tourbillons tout en évitant de surreprésenter une catégorie de ces signatures.
Lors de l’étape d’apprentissage E52, le réseau de neurones est appris en utilisant la base de données.
Selon l’exemple décrit, à l’aide d’une image SST, le réseau de neurones est propre à déterminer le contour d’un tourbillon et déterminer les pixels comportant le tourbillon.
Le réseau de neurones classe chaque pixel selon au moins deux catégories, à savoir une catégorie d’appartenance à un tourbillon et une autre catégorie de non- appartenance à un tourbillon.
Selon une version plus élaborée, le réseau de neurones classe chaque pixel selon trois catégories : une première catégorie étant l’appartenance à un tourbillon anticyclonique, une deuxième catégorie étant l’appartenance à un tourbillon cyclonique et une troisième catégorie étant la non-appartenance à un tourbillon
Pour cela, le réseau de neurones est un réseau de neurones entièrement convolutif.
Le réseau de neurones présente une structure de type U-Net.
Un tel réseau de neurones est un réseau de neurones entièrement convolutionnels. Un tel réseau permet d’obtenir des segmentations d’images plus précises tout en fonctionnant avec moins d’images d'entraînement.
La structure du réseau de neurones est présentée sur la figure 3. La structure du réseau de neurones présente une forme en U dans la mesure où ils utilisent deux branches, une première et une deuxième se correspondant. La première branche B1 est une partie contractante tandis que la deuxième branche B2 est une voie expansive.
La première branche est un réseau de convolution consistant en une application répétée de filtres convolutifs de taille 3x3, chacune suivie d'une unité linéaire rectifiée (désigné par ReLU dans la figure 3) et d'une opération de MaxPooling (pooling maximum). Le processus d'apprentissage consiste à déterminer les coefficients des filtres convolutifs, qui servent chacun à extraire certaines caractéristiques de l'image d'entrée. La couche notée ReLu est une fonction d'activation, qui décide si un certain filtre doit être activé ou non, et qui introduit une non-linéarité dans le processus d'apprentissage.
Pendant la contraction, les informations spatiales sont réduites tandis que les informations sur les caractéristiques sont augmentées.
La deuxième branche combine les informations de caractéristiques géographiques et spatiales à travers une séquence de convolutions et de concaténations ascendantes avec des caractéristiques haute résolution issues de la voie contractante.
Le nombre de cartes de caractéristiques extraites par l'opération convolutive augmente dans la première branche tandis qu'il diminue dans la deuxième branche. Le nombre des filtres convolutifs appliqués à chaque couche de convolution est égal à ce nombre de cartes de caractéristiques à chaque étape. Plus précisément, le réseau de neurones comporte dans la première branche un nombre croissant de cartes des caractéristiques d'abord N puis 2N et ainsi de suite en augmentant de 2 à chaque fois pour parvenir jusqu’à 16N puis dans une deuxième branche des couches convolutionnelles de plus en plus petites en diminuant de 2 à chaque fois pour revenir à N. Les couches convolutionnelles de la deuxième branche appliquent l'opération inverse de celles de la première branche, appelée convolution transposée (d’où l’emploi de la notation N*). Les cartes caractéristiques de chaque étape de la deuxième branche sont également concaténées (voir notation C dans la figure 3) avec les cartes correspondantes issues de la première branche par l'opération de concaténation illustrée à la figure 3, avant l'application de la convolution transposée suivante.
Entre chaque couche convolutionnelle se trouve une couche dite de « MaxPooling » (MP dans la figure 3) dans la première branche et une couche dite de « UpSampling » (UP dans la figure 3) dans la deuxième branche. Ces couches vont diminuer (MP) ou agrandir (UP) les dimensions spatiales des cartes de caractéristiques issues de l'étape précédente.
Il est à noter que pour la dernière convolution N*, en sortie de la couche ReLU, il y a une couche supplémentaire de convolution CONV qui projette les N cartes de caractéristiques vers un nombre C de cartes d'occurrences, où C est le nombre de classes souhaitées comme indiqué précédemment. Via l'application d'une fonction soft max, ces C occurrences sont transformées en C cartes de pseudo-probabilité pour chaque classe C. Le label de chaque pixel du masque de sortie est alors déduit en sélectionnant la classe avec la pseudo-probabilité la plus élevée pour ce pixel. Le contour prédit par le réseau de neurones est ensuite récupéré à partir du contour du masque de sortie et labellisé de manière correspondante.
Le réseau de neurones ainsi appris est capable de prédire à partir d’une image SST si un tourbillon est présent et quel est son contour.
Le réseau de neurones n’a pas besoin de prendre en entrée d’autres données, dont notamment pas des données altimétriques.
La phase d’exploitation P2 comporte une étape de réception E54, une étape d’application E56 et une étape d’affichage E58.
Lors de l’étape de réception E54, le système 10 reçoit une image de l’étendue d’eau. L’image est une image à haute-résolution, c’est-à-dire une image prise avec une résolution inférieure ou égale à 10 kilomètres (km).
De préférence, l’image reçue présente une meilleure résolution, par exemple une résolution inférieure ou égale à 2 km.
Selon l’exemple décrit, l’image reçue est une image de température de surface.
Lors de l’étape d’application E56, le système 10 applique le réseau de neurones appris sur l’image reçue pour détecter la présence éventuelle d’au moins un tourbillon sur l’étendue d’eau et, le cas échéant, la position d’au moins un tourbillon sur l’étendue d’eau.
Lors de l’étape d’affichage E58, le système 10 affiche de l’image reçue dans laquelle les contours extérieurs des tourbillons détectés sont mis en évidence.
Pour évaluer les performances du procédé de détection, la demanderesse a effectué un test sur images SST issues de modèles numériques et de données altimétriques simulées tirées de ce même modèle numérique qui reproduisent une année entière de circulation océanique en Mer Méditerranée. Cela correspond à un ensemble d’échantillons test de tourbillons dont le rayon moyen est supérieur à 20 km.
La demanderesse a permis de montrer que le procédé de détection détecte 98% de ces tourbillons alors qu’une technique basée sur des données altimétriques n'en détecte que 65% en Mer Méditerranée.
Ce test de fiabilité montre que la détection sur des images SST est nettement plus efficace que les méthodes se basant sur des données altimétriques
Le procédé permet ainsi de déterminer, de manière efficace, la présence des tourbillons dans une étendue d’eau de taille restreinte en l’absence de nuages. La totalité d’un bassin océanique pouvant être découpé en plusieurs zones de taille restreinte, le procédé n’est pas limité par la taille de la zone étudiée, quitte à mettre en œuvre le procédé pour plusieurs zones.
De plus, par rapport à une technique basée sur des données altimétriques, le procédé permet la détection de tourbillons de faible taille.
La détection de tourbillons dans une étendue d’eau est intéressante pour de multiples applications.
A titre d’exemple, il peut être envisagé un procédé comportant, en outre, l’exploitation des tourbillons détectés.
Une telle exploitation est, par exemple, l’optimisation d’une trajectoire d’un navire dans l’étendue d’eau pour éviter d’être face aux courants engendrés par les tourbillons détectés. Inversement, l’optimisation de la trajectoire peut viser à modifier la trajectoire d’un navire pour aller dans le sens des courants engendrés par les tourbillons détectés.
Selon un autre exemple, un procédé de prédiction de la trajectoire de polluants comporte la mise en œuvre du procédé de détection et la prédiction de la trajectoire de polluants sur la base des tourbillons.
Similairement, il est possible d’envisager un procédé de prédiction de la trajectoire du phytoplancton et du zooplancton et donc des zones de regroupement des poissons qui s’en nourrissent.
D’autres modes de réalisation du procédé de détection sont également possibles.
En particulier, au lieu d’utiliser des images SST en entrée, il est possible d’utiliser des images prises dans le visible (c’est-à-dire dont les longueur d’ondes d’acquisition sont comprises entre 400 nm et 800 nm).

Claims

REVENDICATIONS
1. Procédé de détection d’au moins un tourbillon dans une étendue d’eau, le procédé étant mis en œuvre par ordinateur et comportant :
- la réception d’une image de l’étendue d’eau prise avec une résolution inférieure ou égale à 10 km,
- l’application d’un réseau de neurones sur l’image reçue pour détecter la présence éventuelle d’au moins un tourbillon sur l’étendue d’eau et, le cas échéant, la position d’au moins un tourbillon sur l’étendue d’eau, le réseau de neurones étant un réseau de neurones entièrement convolutif, le réseau de neurones ayant été appris par des données d’apprentissage, les données d’apprentissage comportant des données synthétiques, chaque donnée synthétique étant un couple formé d’une image d’une étendue d’eau et de la position des tourbillons contenus dans ladite image, la position de chaque tourbillon étant obtenue par application d’un détecteur de tourbillons sur l’image de la donnée synthétique et sur le champ de vitesse de chaque tourbillon contenu dans l’image de la donnée synthétique.
2. Procédé de détermination selon la revendication 1 , dans lequel, l’image comporte des pixels, et dans lequel, lors de l’étape d’application, le réseau de neurones classe chaque pixel selon au moins deux catégories, une catégorie étant l’appartenance à un tourbillon et une autre catégorie étant la non-appartenance à un tourbillon.
3. Procédé de détermination selon la revendication 2, dans lequel le réseau de neurones classe chaque pixel selon trois catégories : une première catégorie étant l’appartenance à un tourbillon anticyclonique, une deuxième catégorie étant l’appartenance à un tourbillon cyclonique et une troisième catégorie étant la non-appartenance à un tourbillon.
4. Procédé de détermination selon l’une quelconque des revendications 1 à 3, dans lequel chaque image est une image de température de surface.
5. Procédé de détermination selon l’une quelconque des revendications 1 à 3, dans lequel chaque image est une image visible.
6. Procédé de détermination selon l’une quelconque des revendications 1 à 5, dans lequel l’image reçue présente une résolution inférieure ou égale à 3 kilomètres.
7. Procédé de détermination selon l’une quelconque des revendications 1 à 6, dans lequel il est défini pour chaque tourbillon un contour extérieur, le procédé comportant, en outre, l’affichage de l’image reçue dans laquelle les contours extérieurs des tourbillons détectés sont mis en évidence.
8. Procédé de détermination selon l’une quelconque des revendications 1 à 7, dans lequel les données d’apprentissage comportent également des données dérivées des données synthétiques par une technique d’augmentation de données.
9. Procédé comportant la mise en œuvre du procédé de détection selon l’une quelconque des revendications 1 à 8, le procédé comportant, en outre, l’exploitation des tourbillons détectés en mettant en œuvre une étape choisie parmi :
- l’optimisation d’une trajectoire d’un navire pour utiliser les courants induits par les tourbillons détectés,
- la prédiction de la trajectoire de polluants, et
- la prédiction des zones de regroupement de poissons.
10. Produit programme d’ordinateur comportant des instructions de programme formant un programme d’ordinateur mémorisé sur un support lisible d’informations, le programme d’ordinateur étant chargeable sur une unité de traitement de données et mettant en œuvre un procédé l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données.
11. Support lisible d’informations comportant des instructions de programme formant un programme d’ordinateur, le programme d’ordinateur étant chargeable sur une unité de traitement de données et mettant en œuvre un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement de données.
PCT/EP2022/087678 2021-12-24 2022-12-23 Procédé de détection d'un tourbillon dans une étendue d'eau et système associé Ceased WO2023118548A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP22838884.9A EP4453906A1 (fr) 2021-12-24 2022-12-23 Procédé de détection d'un tourbillon dans une étendue d'eau et système associé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2114506A FR3131418B1 (fr) 2021-12-24 2021-12-24 Procédé de détection d’un tourbillon dans une étendue d’eau et système associé
FRFR2114506 2021-12-24

Publications (1)

Publication Number Publication Date
WO2023118548A1 true WO2023118548A1 (fr) 2023-06-29

Family

ID=81328428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/087678 Ceased WO2023118548A1 (fr) 2021-12-24 2022-12-23 Procédé de détection d'un tourbillon dans une étendue d'eau et système associé

Country Status (3)

Country Link
EP (1) EP4453906A1 (fr)
FR (1) FR3131418B1 (fr)
WO (1) WO2023118548A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102325A (zh) * 2020-09-17 2020-12-18 中国科学院海洋研究所 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102325A (zh) * 2020-09-17 2020-12-18 中国科学院海洋研究所 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
B. LE VU ET AL.: "Angular Momentum Eddy Détection and tracking Algorithm (AMEDA) and its application to coastal eddy formation", J. ATMOS. OCEANIC TECHNOL, vol. 35, pages 739 - 762
LAMBHATE DEVYANI ET AL: "W-Net: A Deep Network for Simultaneous Identification of Gulf Stream and Rings From Concurrent Satellite Images of Sea Surface Temperature and Height", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, IEEE, USA, vol. 60, 26 July 2021 (2021-07-26), pages 1 - 13, XP011897709, ISSN: 0196-2892, [retrieved on 20220113], DOI: 10.1109/TGRS.2021.3096202 *
LU XIRONG ET AL: "Mesoscale Ocean Eddy Detection Using High-Resolution Network", 2020 11TH INTERNATIONAL CONFERENCE ON AWARENESS SCIENCE AND TECHNOLOGY (ICAST), IEEE, 7 December 2020 (2020-12-07), pages 1 - 6, XP033879771, DOI: 10.1109/ICAST51195.2020.9319490 *
MOSCHOS EVANGELOS ET AL: "Classification of Eddy Sea Surface Temperature Signatures Under Cloud Coverage", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, IEEE, USA, vol. 13, 11 June 2020 (2020-06-11), pages 3437 - 3447, XP011797433, ISSN: 1939-1404, [retrieved on 20200707], DOI: 10.1109/JSTARS.2020.3001830 *
MOSCHOS EVANGELOS ET AL: "Deep-SST-Eddies: A Deep Learning Framework to Detect Oceanic Eddies in Sea Surface Temperature Images", ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), IEEE, 4 May 2020 (2020-05-04), pages 4307 - 4311, XP033793635, DOI: 10.1109/ICASSP40776.2020.9053909 *
REDOUANE LGUENSAT ET AL: "EddyNet: A Deep Neural Network For Pixel-Wise Classification of Oceanic Eddies", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 10 November 2017 (2017-11-10), XP080836205 *

Also Published As

Publication number Publication date
FR3131418A1 (fr) 2023-06-30
FR3131418B1 (fr) 2024-07-19
EP4453906A1 (fr) 2024-10-30

Similar Documents

Publication Publication Date Title
US11868889B2 (en) Object detection in images
US12125256B2 (en) Generator exploitation for deepfake detection
US10657436B2 (en) Generative neural networks
US11030726B1 (en) Image cropping with lossless resolution for generating enhanced image databases
US20240127586A1 (en) Neural networks with adaptive gradient clipping
US20240256862A1 (en) Noise scheduling for diffusion neural networks
EP2364490A1 (fr) Dispositif a architecture pipeline de flot de donnees pour la reconnaissance et la localisation d'objets dans une image par balayage de fenetres de detection
WO2022112583A1 (fr) Procédé d'évaluation de la performance d'un algorithme de prédiction et dispositifs associés
US11651276B2 (en) Artificial intelligence transparency
Castro-Correa et al. Impact of data augmentation on supervised learning for a moving mid-frequency source
van Zyl et al. Remove First Detect Later: a counter-intuitive approach for detecting radio frequency interference in radio sky imagery
EP4453906A1 (fr) Procédé de détection d'un tourbillon dans une étendue d'eau et système associé
EP1746521A1 (fr) Procédé de classement d'un ensemble de documents électroniques du type pouvant contenir des liens hypertextes vers d'autres documents électroniques
WO2024133778A1 (fr) Procédé de contrôle d'un actionneur par un système de contrôle et système de contrôle d'un actionneur
FR3108184A1 (fr) Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositif associé
CN116868203A (zh) 利用自适应梯度裁剪的神经网络
Adriano et al. Neural Networks for Space Debris Classification
EP4659151A1 (fr) Réglage fin de réseau neuronal de diffusion privé différentiel
Stofa et al. Remote sensing-based sea ice concentration estimation via weighted deep learning networks
FR3166230A3 (fr) Utilisation de modèles de langage visuel pour déterminer des emplacements d’éléments d’image dans des images graphiques
WO2021198136A1 (fr) Procédé et système d'évaluation d'un système de prédiction de dépose d'un équipement
EP4364057A1 (fr) Procédé d'apprentissage d'un algorithme de prédiction et dispositifs associés
FR3064069A1 (fr) Controle non destructif de pieces aeronautiques par un systeme de radiographie
WO2025252868A1 (fr) Procédé de conception des blocs matériels et dispositifs associés

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22838884

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022838884

Country of ref document: EP

Effective date: 20240724