Spatial scene similarity assessment based on deep learning

Spatial content-based scene similarity assessment

ISPRS Journal of Photogrammetry and Remote Sensing ◽

10.1016/j.isprsjprs.2012.02.007 ◽

2012 ◽

Vol 69 ◽

pp. 103-120 ◽

Cited By ~ 3

Author(s):

Caixia Wang ◽

Anthony Stefanidis ◽

Peggy Agouris

Keyword(s):

Similarity Assessment ◽

Scene Similarity ◽

Spatial Content

Download Full-text

Multilayer Scene Similarity Assessment

2009 IEEE International Conference on Data Mining Workshops ◽

10.1109/icdmw.2009.117 ◽

2009 ◽

Cited By ~ 1

Author(s):

Anthony Stefanidis ◽

Caixia Wang ◽

Lu Xu ◽

Kevin M. Curtin

Keyword(s):

Similarity Assessment ◽

Scene Similarity

Download Full-text

Spatial scene similarity assessment on Hadoop

Proceedings of the ACM SIGSPATIAL International Workshop on High Performance and Distributed Geographic Information Systems - HPDGIS '10 ◽

10.1145/1869692.1869700 ◽

2010 ◽

Cited By ~ 1

Author(s):

Danhuai Guo ◽

Kaichao Wu ◽

Jianhui Li ◽

Yuwei Wang

Keyword(s):

Similarity Assessment ◽

Scene Similarity

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text