Détail de l'autorité
TOSCA-FRISBEE /
Nom :
TOSCA-FRISBEE
titre complet :
xxx
|
Documents disponibles (1)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Predicting vegetation stratum occupancy from airborne LiDAR data with deep learning / Ekaterina Kalinicheva in International journal of applied Earth observation and geoinformation, vol 112 (August 2022)
[article]
Titre : Predicting vegetation stratum occupancy from airborne LiDAR data with deep learning Type de document : Article/Communication Auteurs : Ekaterina Kalinicheva , Auteur ; Loïc Landrieu , Auteur ; Clément Mallet , Auteur ; Nesrine Chehata , Auteur Année de publication : 2022 Projets : TOSCA-FRISBEE / Article en page(s) : n° 102863 Note générale : bibliographie
This study has been co-funded by CNES (TOSCA FRISBEE Project, convention no200769/00) and CONFETTI Project (Nouvelle Aquitaine Region project, France).Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] parcelle agricole
[Termes IGN] régression
[Termes IGN] semis de points
[Termes IGN] strate végétaleRésumé : (auteur) We propose a new deep learning-based method for estimating the occupancy of vegetation strata from airborne 3D LiDAR point clouds. Our model predicts rasterized occupancy maps for three vegetation strata corresponding to lower, medium, and higher cover. Our weakly-supervised training scheme allows our network to only be supervised with vegetation occupancy values aggregated over cylindrical plots containing thousands of points. Such ground truth is easier to produce than pixel-wise or point-wise annotations. Our method outperforms handcrafted and deep learning baselines in terms of precision by up to 30%, while simultaneously providing visual and interpretable predictions. We provide an open-source implementation along with a dataset of 199 agricultural plots to train and evaluate weakly supervised occupancy regression algorithms. Numéro de notice : A2022-578 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.jag.2022.102863 Date de publication en ligne : 19/07/2022 En ligne : https://doi.org/10.1016/j.jag.2022.102863 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99425
in International journal of applied Earth observation and geoinformation > vol 112 (August 2022) . - n° 102863[article]Documents numériques
peut être téléchargé
Predicting vegetation stratum ... - pdf auteurAdobe Acrobat PDF