Détection et modélisation 3D d’objets à partir de nuages de points LiDAR acquis avec des systèmes de télémétrie mobile selon une architecture sans serveur

Les cartographies et modèles urbains en 3D sont des représentations indispensables afin de visualiser et d'augmenter l'environnement dans les applications exploitées par des utilisateurs mobiles, qu’ils soient des professionnels (ex. ingénieurs civils, …) ou des citoyens. Les dernières années ont vu un développement remarquable des systèmes de télémétrie mobile (i.e. LiDAR), installés sur des véhicules terrestres, afin de répondre à de tels besoins croissants de données 3D de grands territoires à très haute résolution.

Système d’aide à la décision pour le ciblage des populations pauvres et vulnérables

Dans les pays en voie de développement, des enquêtes sont utilisées pour mesurer le niveau de pauvreté des ménages. Pour étendre cette information à l’ensemble de la population, il est nécessaire de prédire la pauvreté des ménages à partir des enquêtes et d’imputer cette prédiction à chaque ménage du recensement. L’utilisation de ces données permet aux gouvernements et aux agences d’aide au développement de mieux cibler les populations les plus pauvres. Les outils de ciblage sont d’une importance capitale pour améliorer le ratio bénéfices/coûts des interventions.

Enrichissement des données administratives en santé avec des données géospatiales pour un système d’aide à la décision de prévision des résultats de santé

Le but de ce projet est d’utiliser une base de données administrative en santé enrichie par des indicateurs géographiques et géospatiaux pertinents (exposition aux risques, accès aux ressources, facteurs sociaux et environnementaux) permettant de prédire les résultats et les coûts de santé et, partant, la valeur des soins de santé pour les patients et parmi les établissements de santé. Des données géographiques seront appariées aux données de la base administrative en santé en utilisant le code postal des personnes assurées.

Aide au recensement de population en Afrique par application de l’apprentissage profond aux images satellites Haute Résolution (HR) et Très Haute Résolution (THR)

Le but de ce projet est de développer une méthode basée principalement sur les images satellites afin d’estimer la taille de la population et ses déplacements dans les pays où un recensement complet est difficile à réaliser pour des raisons de coût ou d’instabilité politique. L’approche sera basée sur l’application de l’apprentissage profond aux images satellites THR pour la détection des bâtiments résidentiels et leur caractérisation en fonction du nombre d’habitants, puis l’extrapolation des résultats à l’ensemble du pays à l’aide de données satellites HR.

Activités de croisières sur le Saint-Laurent : Perception et modélisation des impacts potentiels dans la logistique des transports

La croissance de l’industrie des croisières s’est appuyée ces dernières années sur des navires de plus en plus grands, avec une capacité de plusieurs milliers de passagers. La présence de ces navires modifie l’environnement quotidien des résidents qui les reçoivent. Ces résidents sont une composante fondamentale de l’attractivité des destinations touristiques et la prise en compte de leur perception est essentielle afin d’assurer un développement durable et équitable du milieu de vie des résidents et de l’industrie touristique.

Développement d’un algorithme de classification des nuages de points lidar aéroporté par apprentissage profond

La compagnie XEOS Imagerie oeuvre dans le domaine de l’acquisition de données lidar (Light Detection and Ranging). Elle désire extraire automatiquement les points associés au sol et aux objets à partir du nuage de points 3D brut de l’acquisition lidar. La procédure actuelle pour classifier les points repose sur une combinaison d’algorithmes spécialisés et d’interprétation humaine. Cette procédure est laborieuse.

Utilisation des techniques d’intelligence artificielle pour améliorer les applications des nouveaux types d’images d’observation de la Terre

Le projet proposé vise à développer des architectures d’apprentissage profond pour analyser divers types d’images d’observation de la Terre utilisées par Effigis. Il est divisé en trois sous-projets, visant chacun un type d’images et d’applications associées. Le premier sous-projet concerne l’identification des bâtiments sur les images satellites à très haute résolution (30 – 50 cm) à l‘aide de réseaux de neurones convolutifs (CNNs) de détection d’objets.

Caractérisation géohistorique, biophysique et géomorphologique des marais intertidaux de Baie-Saint-Paul, Charlevoix, Québec

Les marais de Baie-Saint Paul sont de haute valeur environnementale, s’insèrent dans l’économie locale et régionale et dans l’orientation de mise en valeur du patrimoine de la ville. Ces écosystèmes sont le sujet de ce travail qui vise leur étude au niveau physique, historique, géographique et biologique. Quatre grandes questions sont abordées sur ces marais: Comment ont-ils pris place? Comment ont-ils évolué avec l’homme? Comment ont-ils évolué spatialement? Comment sont-ils actuellement? La compréhension globale des marais vise donc à définir leur rôle et leur évolution spatio-temporelle.

Prédiction de la pauvreté à partir d’enquêtes socio-économiques et de données géospatiales

Dans les pays en voie de développement, des enquêtes sont utilisées pour mesurer le niveau de pauvreté des ménages. Pour étendre cette information à l’ensemble de la population, il est nécessaire de prédire la pauvreté des ménages à partir des enquêtes et d’imputer cette prédiction à chaque ménage du recensement. L’utilisation de ces données permet aux gouvernements et aux agences d’aide au développement de mieux cibler les populations les plus pauvres. Les outils de ciblage sont d’une importance capitale pour améliorer le ratio bénéfices/coûts des interventions.

Développement d’un système d’aide à la détection et à la localisation des défauts présents sur les photographies aériennes par intelligence artificielle

Le projet proposé vise à développer un système d’aide à la détection et à la localisation des défauts présents sur les photographiques aériennes par intelligence artificielle, et plus particulièrement par l’utilisation des réseaux de neurones convolutifs. Ces derniers sont reconnus pour leur performance en vision par ordinateur, notamment dans la détection automatisée d’éléments fournis à travers des exemples d’entrainement.

Pages