Descripteur
Documents disponibles dans cette catégorie (1700)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
3D iterative spatiotemporal filtering for classification of multitemporal satellite data sets / Hessah Albanwan in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 1 (January 2020)
[article]
Titre : 3D iterative spatiotemporal filtering for classification of multitemporal satellite data sets Type de document : Article/Communication Auteurs : Hessah Albanwan, Auteur ; Rongjun Qin, Auteur ; Xiaohu Lu, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 23 - 31 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de données
[Termes IGN] changement d'occupation du sol
[Termes IGN] changement d'utilisation du sol
[Termes IGN] classification orientée objet
[Termes IGN] données multitemporelles
[Termes IGN] filtrage spatiotemporel
[Termes IGN] image à très haute résolution
[Termes IGN] itération
[Termes IGN] orthoimageRésumé : (Auteur) The current practice in land cover/land use change analysis relies heavily on the individually classified maps of the multi-temporal data set. Due to varying acquisition conditions (e.g., illumination, sensors, seasonal differences), the classification maps yielded are often inconsistent through time for robust statistical analysis. 3D geometric features have been shown to be stable for assessing differences across the temporal data set. Therefore, in this article we investigate the use of a multi-temporal orthophoto and digital surface model derived from satellite data for spatiotemporal classification. Our approach consists of two major steps: generating per-class probability distribution maps using the random-forest classifier with limited training samples, and making spatiotemporal inferences using an iterative 3D spatiotemporal filter operating on per-class probability maps. Our experimental results demonstrate that the proposed methods can consistently improve the individual classification results by 2%–6% and thus can be an important postclassification refinement approach. Numéro de notice : A2020-049 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.1.23 Date de publication en ligne : 01/01/2020 En ligne : https://doi.org/10.14358/PERS.86.1.23 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94534
in Photogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 1 (January 2020) . - pp 23 - 31[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 105-2020011 SL Revue Centre de documentation Revues en salle Disponible Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne / Hélène Rouillon (2020)
Titre : Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne Type de document : Mémoire Auteurs : Hélène Rouillon, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2020 Importance : 93 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire de fin d'études d'Ingénieur INSA, spécialité TopographieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] carte de la végétation
[Termes IGN] classification orientée objet
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] couvert végétal
[Termes IGN] extraction de la végétation
[Termes IGN] image aérienne
[Termes IGN] image captée par drone
[Termes IGN] image RVB
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] orthophotographie
[Termes IGN] réseau ferroviaire
[Termes IGN] segmentation d'image
[Termes IGN] système d'information géographiqueIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) La végétation et les risques qu’elle peut comporter pour les infrastructures ferroviaires et leurs usagers constituent un enjeu majeur pour SNCF Réseau. Aujourd’hui, l’entreprise ferroviaire souhaite connaître et maîtriser ce risque végétation. L’objet de ce PFE est l’analyse automatique du couvert végétal en milieu ferroviaire à partir d’imagerie aérienne RGB acquise par drone, hélicoptère ou avion. Pour répondre à cette problématique, un réseau de neurones destiné à la segmentation sémantique des images est mis en œuvre. En effet, une fois bien entraînés, les réseaux de neurones, par leur capacité d’apprentissage, sont en mesure de classifier efficacement toute nouvelle image. Trois classes ont été définies en fonction des risques que pouvaient présenter la végétation : « arbres », « reste de la végétation » et « non-végétation ». Une chaîne de traitement complète des données a été proposée permettant, sur la base de ces images, une cartographie SIG de la végétation. Cette connaissance, aisément déployable sur des lignes entières, doit permettre au mainteneur de cibler les zones prioritaires et d’optimiser ses plans d’élagages. Note de contenu : Introduction
1- Etude préalable au développement de la solution
2- Le réseau de neurones SegNet pour le traitement d’images d’observation de la Terre et la base de données
3- Optimisation du traitement des données
ConclusionNuméro de notice : 28529 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Altametris DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/4133/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97346 Analyse, structuration et sémantisation des images aériennes [diaporama] / Valérie Gouet-Brunet (2020)
Titre : Analyse, structuration et sémantisation des images aériennes [diaporama] Type de document : Article/Communication Auteurs : Valérie Gouet-Brunet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2020 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : Séminaire de recherche IGN 2020, De l’acquisition à la valorisation des big geodata du passé 24/02/2020 24/02/2020 Saint-Mandé France Projets : HIATUS / Giordano, Sébastien Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] géoréférencement indirect
[Termes IGN] image aérienne
[Termes IGN] image multitemporelle
[Termes IGN] indexation documentaire
[Termes IGN] indexation sémantique
[Termes IGN] indexation spatiale
[Termes IGN] segmentation sémantiqueRésumé : (auteur) Les images aériennes, qu'elles soient verticales ou obliques, apportent un point de vue unique sur notre territoire et son évolution. Les fonds disponibles, numériques ou numérisés, sont de tailles variables entre centaines et millions d’éléments acquis à des périodes différentes, ils sont disséminés au sein de différentes institutions (archives, musées, agences cartographiques, blogs, etc.) et sont généralement répertoriés essentiellement par des métadonnées de qualité variable. Dans ce contexte, nous présenterons deux projets de recherche ANR portés par l'IGN, qui ont pour objectif commun d'apporter une structure spatio-temporelle à ces collections : le projet ALEGORIA se focalise sur l'indexation multimodale et la visualisation des collections institutionnelles iconographiques peu structurées, pour leur structuration, interconnexion et restitution auprès de chercheurs, experts ou utilisateurs en SHS ; le projet HIATUS se concentre quant à lui sur les campagnes de relevés aériens multidate, avec pour objectif la mise en oeuvre d'outils photogrammétriques dédiés à leur géoréférencement précis et à l'extraction d'informations sémantiques sur les états et les évolutions pour des cas d'usage d'utilisation de l'occupation des sols. Numéro de notice : C2020-027 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97802 Documents numériques
peut être téléchargé
Analyse, structuration et sémantisation des images aériennes - pdf auteurAdobe Acrobat PDF Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving / Edouard Capellier (2020)
Titre : Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving Type de document : Thèse/HDR Auteurs : Edouard Capellier, Auteur ; Véronique Berge-Cherfaoui, Directeur de thèse ; Franck Davoine, Directeur de thèse Editeur : Compiègne : Université de Technologie de Compiègne UTC Année de publication : 2020 Importance : 123 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour l'obtention du grade de Docteur de l'UTC, Robotique et Sciences et Technologies de l'Information et des SystèmesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] carte routière
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] données lidar
[Termes IGN] image RVB
[Termes IGN] intelligence artificielle
[Termes IGN] navigation autonome
[Termes IGN] segmentation sémantique
[Termes IGN] théorie de Dempster-Shafer
[Termes IGN] vision par ordinateur
[Termes IGN] visualisation 3DIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The perception task is paramount for self-driving vehicles. Being able to extract accurate and significant information from sensor inputs is mandatory, so as to ensure a safe operation. The recent progresses of machine-learning techniques revolutionize the way perception modules, for autonomous driving, are being developed and evaluated, while allowing to vastly overpass previous state-of-the-art results in practically all the perception-related tasks. Therefore, efficient and accurate ways to model the knowledge that is used by a self-driving vehicle is mandatory. Indeed, self-awareness, and appropriate modeling of the doubts, are desirable properties for such system. In this work, we assumed that the evidence theory was an efficient way to finely model the information extracted from deep neural networks. Based on those intuitions, we developed three perception modules that rely on machine learning, and the evidence theory. Those modules were tested on real-life data. First, we proposed an asynchronous evidential occupancy grid mapping algorithm, that fused semantic segmentation results obtained from RGB images, and LIDAR scans. Its asynchronous nature makes it particularly efficient to handle sensor failures. The semantic information is used to define decay rates at the cell level, and handle potentially moving object. Then, we proposed an evidential classifier of LIDAR objects. This system is trained to distinguish between vehicles and vulnerable road users, that are detected via a clustering algorithm. The classifier can be reinterpreted as performing a fusion of simple evidential mass functions. Moreover, a simple statistical filtering scheme can be used to filter outputs of the classifier that are incoherent with regards to the training set, so as to allow the classifier to work in open world, and reject other types of objects. Finally, we investigated the possibility to perform road detection in LIDAR scans, from deep neural networks. We proposed two architectures that are inspired by recent state-of-the-art LIDAR processing systems. A training dataset was acquired and labeled in a semi-automatic fashion from road maps. A set of fused neural networks reaches satisfactory results, which allowed us to use them in an evidential road mapping and object detection algorithm, that manages to run at 10 Hz Note de contenu : 1- Introduction
2- Machine learning for perception in autonomous driving
3- The evidence theory, and its applications in autonomous driving
4- A synchronous evidential grid mapping from RGB images and LIDAR scans
5- Evidential LIDAR object classification
6- Road detection in LIDAR scans
7- Application of RoadSeg:evidential road surface mapping
8- ConclusionNuméro de notice : 25895 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Robotique et Sciences et Technologies de l'Information et des Systèmes : UTC : 2020 Organisme de stage : Laboratoire Heudiasyc nature-HAL : Thèse DOI : sans En ligne : https://hal.science/tel-02897810v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96013
Titre : Approche bayésienne pour la sélection de modèles : Application à la restauration d’image Type de document : Thèse/HDR Auteurs : Benjamin Harroué, Auteur ; Jean-François Giovannelli, Directeur de thèse ; Marcela Pereyra, Directeur de thèse Editeur : Bordeaux : Université de Bordeaux Année de publication : 2020 Importance : 102 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour obtenir le grade de Docteur en Automatique, Productique, Signal et Image, Ingénierie cognitiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] déconvolution
[Termes IGN] échantillonnage de Gibbs
[Termes IGN] estimation bayesienne
[Termes IGN] fonction harmonique
[Termes IGN] matrice de covariance
[Termes IGN] problème inverse
[Termes IGN] processus gaussien
[Termes IGN] reconstruction d'image
[Termes IGN] restauration d'imageIndex. décimale : THESE Thèses et HDR Résumé : (auteur) L’inversion consiste à reconstruire des objets d’intérêt à partir de données acquises au travers d’un système d’observation. Dans ces travaux, nous nous penchons sur la déconvolution d’image. Les données observées constituent une version dégradée de l’objet, altéré par le système (flou et bruit). A cause de la perte d’informations engendrée, le problème devient alors mal conditionné. Une solution est de régulariser dans un cadre bayésien : en se basant sur des modèles, on introduit de l’information a priori sur les inconnues. Se posent alors les questions suivantes : comment comparer les modèles candidats et choisir le meilleur ? Sur quel critère faut-il s’appuyer ? A quelles caractéristiques ou quantités doit-on se fier ? Ces travaux présentent une méthode de comparaison et de sélection automatique de modèles, fondée sur la théorie de la décision bayésienne. La démarche consiste à sélectionner le modèle qui maximise la probabilité a posteriori. Pour calculer ces dernières, on a besoin de connaître une quantité primordiale : l’évidence. Elle s’obtient en marginalisant la loi jointe par rapport aux inconnus : l’image et les hyperparamètres. Les dépendances complexes entre les variables et la grande dimension de l’image rendent le calcul analytique de l’intégrale impossible. On a donc recours à des méthodes numériques. Dans cette première étude, on s’intéresse au cas gaussien circulant. Cela permet, d’une part, d’avoir une expression analytique de l’intégrale sur l’image, et d’autre part, de faciliter la manipulation des matrices de covariances. Plusieurs méthodes sont mises en œuvre comme l’algorithme du Chib couplé à une chaîne de Gibbs, les power posteriors, ou encore la moyenne harmonique. Les méthodes sont ensuite comparées pour déterminer lesquelles sont les plus adéquates au problème de la restauration d’image. Note de contenu : 1- Introduction
2- Sélection de modèles et calcul de l’évidence : état de l’art
3- Sélection de modèles sur observation directe
4- Sélection de modèles sur observation indirecte
5- Sélection de modèles sur données réelles
6- Conclusion : bilan et perspectivesNuméro de notice : 28558 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : thèse de Doctorat : Automatique, Productique, Signal et Image, Ingénierie cognitique : Bordeaux : 2020 nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-03065948/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97587 Autocovariance-based perceptual textural features corresponding to human visual perception / N. Abbadeni (2020)PermalinkCamera orientation, calibration and inverse perspective with uncertainties: a Bayesian method applied to area estimation from diverse photographs / Grégoire Guillet in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)PermalinkClassification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery / H. Tombul in Journal of geodetic science, vol 10 n° 1 (January 2020)PermalinkClassification of time series of Sentinel-2 images for large scale mapping in Cameroon / Hermann Tagne (2020)PermalinkContext-aware convolutional neural network for object detection in VHR remote sensing imagery / Yiping Gong in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)PermalinkPermalinkPermalinkDétection et vectorisation automatiqued’objets linéaires dans des nuages de points de voirie / Etienne Barçon (2020)PermalinkDéveloppement de la photogrammétrie et d'analyses d'images pour l'étude et le suivi d'habitats marins / Guilhem Marre (2020)PermalinkPermalink