Descripteur
Documents disponibles dans cette catégorie (1332)
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
Titre : Satellite information classification and interpretation Type de document : Monographie Auteurs : Rustam B. Rustamov, Éditeur scientifique Editeur : London [UK] : IntechOpen Année de publication : 2019 Importance : 172 p. ISBN/ISSN/EAN : 978-1-83880-793-1 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] détection du bâti
[Termes IGN] image à haute résolution
[Termes IGN] image proche infrarouge
[Termes IGN] réseau neuronal artificiel
[Termes IGN] télédétection spatialeRésumé : (Editeur) Without a doubt, understanding what we must do to save our home, our planet, and how we are to do it is of the gravest importance for the present generation and the next. Clearly, advances won through space technology and applications of the same to the study of Earth play an excellent and vital role in classification and interpretation of the processes taking place on the Earth and in space. Today, space technology helps us understand Earth and how we can support and manage its state, to keep it in working condition under the current circumstances.How can we do this? Obviously, we must use appropriate methods and instruments to collect the information we need. In the meantime, it is necessary to develop systems to analyze and process the data collected. Note de contenu : 1. Introductory Chapter: Aerospace Information Classification
2. Pan-sharpening Using Spatial-frequency Method
3. Lossy Compression of Remote Sensing Images with Controllable Distortions
4. Reverse Satellite Transionospheric Sounding: Advantages and Prospects
5. High-Resolution Satellite Imagery Classification for Urban Form Detection
6. Water Management in Irrigation Systems by Using Satellite Information
7. Validation of Satellite (TMPA and IMERG) Rainfall Products with the IMD Gridded Data Sets over Monsoon Core Region of India
8. Near- and Middle-Infrared Monitoring of Burned Areas from Space
9. The Use of Visible Geostationary Operational Meteorological Satellite Imagery in Mapping the Water Balance over Puerto Rico for Water Resource ManagementNuméro de notice : 26311 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Recueil / ouvrage collectif DOI : 10.5772/intechopen.77202 Date de publication en ligne : 03/10/2019 En ligne : https://doi.org/10.5772/intechopen.77202 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95088 Seeing the past with computers: Experiments with augmented reality and computer vision for history / Kevin Kee (2019)
Titre : Seeing the past with computers: Experiments with augmented reality and computer vision for history Type de document : Monographie Auteurs : Kevin Kee, Éditeur scientifique ; Thimothy Compeau, Auteur Editeur : Chicago : University of Chicago Press Année de publication : 2019 Importance : 254 p. Format : 16 x 23 cm ISBN/ISSN/EAN : 9780472900879 9780472131112 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Techniques de l'information
[Termes IGN] exploration de données
[Termes IGN] formation
[Termes IGN] histoire
[Termes IGN] réalité augmentée
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] sciences humaines numériques
[Termes IGN] vision par ordinateurRésumé : (éditeur) Recent developments in computer technology are providing historians with new ways to see—and seek to hear, touch, or smell—traces of the past. Place-based augmented reality applications are an increasingly common feature at heritage sites and museums, allowing historians to create immersive, multifaceted learning experiences. Now that computer vision can be directed at the past, research involving thousands of images can recreate lost or destroyed objects or environments, and discern patterns in vast datasets that could not be perceived by the naked eye. Seeing the Past with Computers is a collection of twelve thought-pieces on the current and potential uses of augmented reality and computer vision in historical research, teaching, and presentation. The experts gathered here reflect upon their experiences working with new technologies, share their ideas for best practices, and assess the implications of—and imagine future possibilities for—new methods of historical study. Among the experimental topics they explore are the use of augmented reality that empowers students to challenge the presentation of historical material in their textbooks; the application of seeing computers to unlock unusual cultural knowledge, such as the secrets of vaudevillian stage magic; hacking facial recognition technology to reveal victims of racism in a century-old Australian archive; and rebuilding the soundscape of an Iron Age village with aural augmented reality. This volume is a valuable resource for scholars and students of history and the digital humanities more broadly. It will inspire them to apply innovative methods to open new paths for conducting and sharing their own research. Note de contenu : Introduction: Seeing the past
1- The people inside
2- Bringing trouvé to light: speculative computer vision and media history
3- Seeing swinburne: toward a mobile and augmented-reality edition of poems and ballads, 1866
4- Mixed-reality design for broken-world thinking
5- Faster than the eye: Using computer vision to explore sources in the history of stage magic
6- The analog archive: Image-mining the history of electronics
7- Learning to see the past at scale: Exploring web archives through hundreds of thousands of images
8- Building augmented reality freedom stories: A critical reflection
9- Experiments in alternative-and augmented-reality game design: Platforms and collaborations
10- Tecumseh returns: A history game in alternate reality, augmented reality, and reality
11- History all around us: Toward best practices for augmented reality for history
12- Hearing the pastNuméro de notice : 25920 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Monographie En ligne : https://dx.doi.org/10.3998/mpub.9964786 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96136 Segmentation d'image par intégration itérative de connaissances / Mahaman Sani Chaibou Salaou (2019)
Titre : Segmentation d'image par intégration itérative de connaissances Type de document : Thèse/HDR Auteurs : Mahaman Sani Chaibou Salaou, Auteur ; Basel Solaiman, Directeur de thèse ; Mohamed Ali Mahjoub, Directeur de thèse Editeur : Institut Mines-Télécom Atlantique IMT Atlantique Année de publication : 2019 Autre Editeur : Université Bretagne Loire Importance : 148 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Ecole Nationale Supérieure Mines-Telecom Atlantique Bretagne Pays de la Loire, Spécialité : Signal, Image et VisionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification basée sur les régions
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] description multiniveau
[Termes IGN] détection de régions
[Termes IGN] fusion de données
[Termes IGN] interprétation automatique
[Termes IGN] réseau neuronal artificiel
[Termes IGN] segmentation d'image
[Termes IGN] superpixel
[Termes IGN] zone d'intérêtIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Le traitement d’images est un axe de recherche très actif depuis des années. L’interprétation des images constitue une de ses branches les plus importantes de par ses applications socio-économiques et scientifiques. Cependant cette interprétation, comme la plupart des processus de traitements d’images, nécessite une phase de segmentation pour délimiter les régions à analyser. En fait l’interprétation est un traitement qui permet de donner un sens aux régions détectées par la phase de segmentation. Ainsi, la phase d’interprétation ne pourra analyser que les régions détectées lors de la segmentation. Bien que l’objectif de l’interprétation automatique soit d’avoir le même résultat qu’une interprétation humaine, la logique des techniques classiques de ce domaine ne marie pas celle de l’interprétation humaine. La majorité des approches classiques d’interprétation d’images séparent la phase de segmentation et celle de l’interprétation. Les images sont d’abord segmentées puis les régions détectées sont interprétées. En plus, au niveau de la segmentation les techniques classiques parcourent les images de manière séquentielle, dans l’ordre de stockage des pixels. Ce parcours ne reflète pas nécessairement le parcours de l’expert humain lors de son exploration de l’image. En effet ce dernier commence le plus souvent par balayer l’image à la recherche d’éventuelles zones d’intérêts. Dans le cas échéant, il analyse les zones potentielles sous trois niveaux de vue pour essayer de reconnaitre de quel objet s’agit-il. Premièrement, il analyse la zone en se basant sur ses caractéristiques physiques. Ensuite il considère les zones avoisinantes de celle-ci et enfin il zoome sur toute l’image afin d’avoir une vue complète tout en considérant les informations locales à la zone et celles de ses voisines. Pendant son exploration, l’expert, en plus des informations directement obtenues sur les caractéristiques physiques de l’image, fait appel à plusieurs sources d’informations qu’il fusionne pour interpréter l’image. Ces sources peuvent inclure les connaissent acquises grâce à son expérience professionnelle, les contraintes existantes entre les objets de ce type d’images, etc. L’idée de l’approche présentée ici est que simuler l’activité visuelle de l’expert permettrait une meilleure compatibilité entre les résultats de l’interprétation et ceux de l’expert. Ainsi nous retenons de cette analyse trois aspects importants du processus d’interprétation d’image que nous allons modéliser dans l’approche proposée dans ce travail : 1. Le processus de segmentation n’est pas nécessairement séquentiel comme la plus part des techniques de segmentations qu’on rencontre, mais plutôt une suite de décisions pouvant remettre en cause leurs prédécesseurs. L’essentiel étant à la fin d’avoir la meilleure classification des régions. L’interprétation ne doit pas être limitée par la segmentation. 2. Le processus de caractérisation d’une zone d’intérêt n’est pas strictement monotone i.e. que l’expert peut aller d’une vue centrée sur la zone à vue plus large incluant ses voisines pour ensuite retourner vers la vue contenant uniquement la zone et vice-versa. 3. Lors de la décision plusieurs sources d’informations sont sollicitées et fusionnées pour une meilleure certitude. La modélisation proposée de ces trois niveaux met particulièrement l’accent sur les connaissances utilisées et le raisonnement qui mène à la segmentation des images. Note de contenu : Introduction générale
1- Segmentation pour l’interprétation de scène
2- Segmentation par propagation des connaissances
3- Croissance des régions adaptative
4- Similarité des superpixels par apprentissage
ConclusionsNuméro de notice : 25840 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Signal, Image et Vision : Ecole Nationale Supérieure Mines-Telecom Atlantique : 2019 nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02310224 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95181 Semantic aware quality evaluation of 3D building models : Modeling and simulation / Oussama Ennafii (2019)
Titre : Semantic aware quality evaluation of 3D building models : Modeling and simulation Titre original : Evaluation de la qualité des modèles 3D de bâtiments Type de document : Thèse/HDR Auteurs : Oussama Ennafii , Auteur ; Clément Mallet , Directeur de thèse ; Florent Lafarge, Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2019 Importance : 238 p. Format : 21 x 30 cm Note générale : bibliographie
Dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy delivered by Université Paris-Est, Speciality Geographical Information Sciences and Technologies
Thèse récompensée par le prix 2020 EuroSDR PhD Award.Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] détection d'erreur
[Termes IGN] généralisation
[Termes IGN] image à très haute résolution
[Termes IGN] information sémantique
[Termes IGN] modèle 3D de l'espace urbain
[Termes IGN] modèle numérique de surface
[Termes IGN] modélisation 3D
[Termes IGN] modélisation du bâti
[Termes IGN] scène urbaine
[Termes IGN] taxinomieIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The automatic generation of 3D building models from geospatial data is now a standard procedure. An abundant literature covers the last two decades and several softwares are now available. However, urban areas are very complex environments. Inevitably, practitioners still have to visually assess, at city-scale, the correctness of these models and detect frequent reconstruction errors. Such a process relies on experts, and is highly time-consuming with approximately two hours/km² per expert. This work proposes an approach for automatically evaluating the quality of 3D building models. Potential errors are compiled in a novel hierarchical and modular taxonomy. This allows, for the first time, to disentangle fidelity and modeling errors, whatever the level of details of the modeled buildings. The quality of models is predicted using the geometric properties of buildings and, when available, Very High Resolution images and Digital Surface Models. A baseline of handcrafted, yet generic, features is fed into a Random Forest or Support Vector Machine classifiers. Richer features, relying on graph kernels as well as Scattering Networks, were proposed to better take into consideration structure. Both multi-class and multi-label cases are studied: due to the interdependence between classes of errors, it is possible to retrieve all errors at the same time while simply predicting correct and erroneous buildings. The proposed framework was tested on three distinct urban areas in France with more than 3,000 buildings. 80%-99% F-score values are attained for the most frequent errors. For scalability purposes, the impact of the urban area composition on the error prediction was also studied, in terms of transferability, generalization, and representativeness of the classifiers. It shows the necessity of multi-modal remote sensing data and mixing training samples from various cities to ensure a stability of the detection ratios, even with very limited training set sizes. Note de contenu : 1- Introduction
2- State of the art
3- Semantic evaluation of 3D models
4- A learning approach for quality evaluation
5- Assessing the learned approach
6- Computing a better representation
7- Assessing the advanced features
8- ConclusionNuméro de notice : 25860 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Sciences et Technologies de l'Information Géographique : Paris-Est, 2019 Organisme de stage : Lastig (IGN) nature-HAL : Thèse DOI : sans En ligne : https://hal.science/tel-02879809 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95395 Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 25860-02 THESE Livre Centre de documentation Thèses Disponible 25860-01 THESE Livre Centre de documentation Thèses Disponible 25860-03 THESE Livre Centre de documentation Thèses Disponible Spatial data management in apache spark: the GeoSpark perspective and beyond / Jia Yu in Geoinformatica, vol 23 n° 1 (January 2019)
[article]
Titre : Spatial data management in apache spark: the GeoSpark perspective and beyond Type de document : Article/Communication Auteurs : Jia Yu, Auteur ; Zongsi Zhang, Auteur ; Mohamed Sarwat, Auteur Année de publication : 2019 Article en page(s) : pp 37 - 78 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] analyse comparative
[Termes IGN] Apache (serveur)
[Termes IGN] arbre k-d
[Termes IGN] arbre quadratique
[Termes IGN] arbre-R
[Termes IGN] données massives
[Termes IGN] Hadoop
[Termes IGN] index spatial
[Termes IGN] performance
[Termes IGN] Spark
[Termes IGN] traitement répartiRésumé : (auteur) The paper presents the details of designing and developing GeoSpark, which extends the core engine of Apache Spark and SparkSQL to support spatial data types, indexes, and geometrical operations at scale. The paper also gives a detailed analysis of the technical challenges and opportunities of extending Apache Spark to support state-of-the-art spatial data partitioning techniques: uniform grid, R-tree, Quad-Tree, and KDB-Tree. The paper also shows how building local spatial indexes, e.g., R-Tree or Quad-Tree, on each Spark data partition can speed up the local computation and hence decrease the overall runtime of the spatial analytics program. Furthermore, the paper introduces a comprehensive experiment analysis that surveys and experimentally evaluates the performance of running de-facto spatial operations like spatial range, spatial K-Nearest Neighbors (KNN), and spatial join queries in the Apache Spark ecosystem. Extensive experiments on real spatial datasets show that GeoSpark achieves up to two orders of magnitude faster run time performance than existing Hadoop-based systems and up to an order of magnitude faster performance than Spark-based systems. Numéro de notice : A2019-225 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10707-018-0330-9 Date de publication en ligne : 22/10/2018 En ligne : http://dx.doi.org/10.1007/s10707-018-0330-9 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92621
in Geoinformatica > vol 23 n° 1 (January 2019) . - pp 37 - 78[article]Spatial decision support in urban environments using machine learning, 3D geo-visualization and semantic integration of multi-source data / Nikolaos Sideris (2019)PermalinkStructure from motion for ordered and unordered image sets based on random k-d forests and global pose estimation / Xin Wang in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)PermalinkPermalinkTime-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series / Vivien Sainte Fare Garnot (2019)PermalinkTowards visual urban scene understanding for autonomous vehicle path tracking using GPS positioning data / Citlalli Gamez Serna (2019)PermalinkPermalinkUrban growth simulations in order to represent the impacts of constructions and environmental constraints on urban sprawl / Mojtaba Eslahi (2019)PermalinkPermalinkDesigning an integrated urban growth prediction model: a scenario-based approach for preserving scenic landscapes / Sepideh Saeidi in Geocarto international, vol 33 n° 12 (December 2018)PermalinkPoint clouds by SLAM-based mobile mapping systems: accuracy and geometric content validation in multisensor survey and stand-alone acquisition / Giulia Sammartano in Applied geomatics, vol 10 n° 4 (December 2018)Permalink