Centre de documentation
scientifique

Actualité

L'actu ! Horaires du CDOS

Le centre est ouvert en salle de travail du lundi au vendredi, de 08h30 à 19h00. Les prêts physiques sont suspendus pour le moment. Merci d'adr...

Consulter les archives

Dernière publication Consultez les parutions du CDoS

Informations pratiques

Le centre de documentation scientifique
de l'Institut est aussi celui de l'ENSG-Géomatique.

Envoyez un mail au contact ci-dessous pour vos demandes.

Contact : cdos@ign.fr

Comment venir ?
Pour se rendre au centre de documentation, se reporter au 'Plan d'accès au bâtiment' tout en bas de page à droite. Le centre se trouve dans le bâtiment de l'ENSG. On y accède par le hall, entre l'aile Cassini et l'aile Laplace.

Mots RAMEAU représentant le fonds du centre de documentation
géomatique, géodésie, réseaux (géodésie), systèmes de localisation par satellites,
imagerie satellitaire, traitement d'images, photogrammétrie, lasergrammétrie,
systèmes d'information géographique, données géospatiales, cartographie,
géographie - base de données

Nouvelle recherche

Beyond single receptive field: A receptive field fusion-and-stratification network for airborne laser scanning point cloud classification / Yongqiang Mao in ISPRS Journal of photogrammetry and remote sensing, vol 188 (June 2022)

Public

[article]
inISPRS Journal of photogrammetry and remote sensing > vol 188 (June 2022) . - pp 45 - 61

Titre :	Beyond single receptive field: A receptive field fusion-and-stratification network for airborne laser scanning point cloud classification
Type de document :	Article/Communication
Auteurs :	Yongqiang Mao, Auteur ; Kaiqiang chen, Auteur ; Wenhui Diao, Auteur ; et al., Auteur
Année de publication :	2022
Article en page(s) :	pp 45 - 61
Note générale :	Bibliographie
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Lasergrammétrie [Termes IGN] apprentissage automatique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données laser [Termes IGN] données localisées 3D [Termes IGN] Perceptron multicouche [Termes IGN] représentation parcimonieuse [Termes IGN] réseau neuronal de graphes [Termes IGN] semis de points [Termes IGN] stratification de données [Termes IGN] voxel
Résumé :	(Auteur) The classification of airborne laser scanning (ALS) point clouds is a critical task of remote sensing and photogrammetry fields. Although recent deep learning-based methods have achieved satisfactory performance, they have ignored the unicity of the receptive field, which makes the ALS point cloud classification remain challenging for the distinguishment of the areas with complex structures and extreme scale variations. In this article, for the objective of configuring multi-receptive field features, we propose a novel receptive field fusion-and-stratification network (RFFS-Net). With a novel dilated graph convolution (DGConv) and its extension annular dilated convolution (ADConv) as basic building blocks, the receptive field fusion process is implemented with the dilated and annular graph fusion (DAGFusion) module, which obtains multi-receptive field feature representation through capturing dilated and annular graphs with various receptive regions. The stratification of the receptive fields with point sets of different resolutions as the calculation bases is performed with Multi-level Decoders nested in RFFS-Net and driven by the multi-level receptive field aggregation loss (MRFALoss) to drive the network to learn in the direction of the supervision labels with different resolutions. With receptive field fusion-and-stratification, RFFS-Net is more adaptable to the classification of regions with complex structures and extreme scale variations in large-scale ALS point clouds. Evaluated on the ISPRS Vaihingen 3D dataset, our RFFS-Net significantly outperforms the baseline (i.e. PointConv) approach by 5.3% on mF1 and 5.4% on mIoU, accomplishing an overall accuracy of 82.1%, an mF1 of 71.6%, and an mIoU of 58.2%. The experiments show that our RFFS-Net achieves a new state-of-the-art classification performance on powerline, car, and fence classes. Furthermore, experiments on the LASDU dataset and the 2019 IEEE-GRSS Data Fusion Contest dataset show that RFFS-Net achieves a new state-of-the-art classification performance. The code is available at github.com/WingkeungM/RFFS-Net.
Numéro de notice :	A2022-273
Affiliation des auteurs :	non IGN
Thématique :	IMAGERIE
Nature :	Article
nature-HAL :	ArtAvecCL-RevueIntern
DOI :	10.1016/j.isprsjprs.2022.03.019
Date de publication en ligne :	07/04/2022
En ligne :	https://doi.org/10.1016/j.isprsjprs.2022.03.019
Format de la ressource électronique :	URL Article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=100532

Exemplaires(3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022061	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022063	DEP-RECP	Revue	LASTIG	Dépôt en unité	Exclu du prêt
081-2022062	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

IGN

IGN / ENSG

Centre de documentation
scientifique
6 et 8 Avenue Blaise Pascal
Cité Descartes
Champs-sur-Marne
77455 Marne la Vallée
Cedex 2
L'IGN a pour vocation

de décrire la surface du territoire national et l'occupation de son sol, et d'élaborer et de mettre à jour l'inventaire permanent des ressources forestières nationales.
Accès directs
2014 -2024 IGN

IGN

Centre de documentation
scientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! Horaires du CDOS

Informations pratiques

Exemplaires(3)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

IGN

Centre de documentationscientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! Horaires du CDOS

Informations pratiques

Exemplaires(3)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

Centre de documentation
scientifique