event_img

Séminaire

Peut-on détecter un cyclone avec le modèle YOLO développé pour la conduite autonome ?

Lisa Lam

La détection de cyclone est une tâche difficile. En effet, les cyclones sont des évènements dynamiques, i.e. leur forme et taille évoluent rapidement dans le temps. De plus, un manque de données annotées par des experts rend difficile l’entraînement d’un modèle de Machine Learning.

       

Date de début 23/11/2021 14:00
Date de fin 23/11/2021
Lieu hybride

Description

Le sondeur IASI, embarqué sur les satellites Metop, mesure le rayonnement infrarouge émis par la Terre et l’atmosphère. Durant ce séminaire, Lisa Lam présentera les différentes étapes réalisées pour tenter de détecter les cyclones à partir des données IASI :

  • présentation du modèle YOLO,
  • préparation et labellisation des données IASI à l’aide de la base de données HURDAT, afin de pouvoir les fournir en entrée du modèle YOLO,
  • premiers résultats, ainsi que les méthodes utilisées pour améliorer les résultats.

***

English version:

Cyclone detection is a challenging task. First, cyclone events are dynamic i.e. they evolve rapidly in shape and size over time. Second, there is a lack of annotated examples by experts, making the Machine Learning model training difficult.

IASI is an interferometer that flies onboard of the Metop satellites. It measures the infraredradiation emitted by the Earth and the atmosphere.

In this talk, Lisa Lam will present the different steps performed in an attempt to detect cyclones from these IASI satellite data:

  • presentation of the YOLO model,
  • preparation and labeling of the IASI data with the HURDAT database so it can be used as input for the YOLO model,
  • first results and methods used to improve the results.

Informations supplémentaires

Ce séminaire sera donné en français avec des slides en anglais. Il se tiendra :

En présentiel
Sorbonne Université – Salle 201 Couloir 45-55 – 4 place Jussieu, 75005 Paris

En ligne
Zoom Meeting
https://cnrs.zoom.us/j/97766743442?pwd=SjF5ZFAvMG1QaTRBY1FmSHVwY2cydz09
Meeting ID: 977 6674 3442
Passcode: M6SQkA