Descripteur
Documents disponibles dans cette catégorie (1887)
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
Recherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois / Margarita Khokhlova (2020)
Titre : Recherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois Type de document : Article/Communication Auteurs : Margarita Khokhlova , Auteur ; Valérie Gouet-Brunet , Auteur ; Nathalie Abadie , Auteur ; Liming Chen, Auteur Editeur : Vannes : Université de Bretagne Sud Année de publication : 2020 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : RFIAP 2020, Reconnaissance des Formes, Image, Apprentissage et Perception 23/06/2020 26/06/2020 Vannes France Open Access Proceedings Importance : 11 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse du paysage
[Termes IGN] appariement d'images
[Termes IGN] architecture de réseau
[Termes IGN] BD ortho
[Termes IGN] BD Topo
[Termes IGN] classification barycentrique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] données multitemporelles
[Termes IGN] géolocalisation
[Termes IGN] image aérienne
[Termes IGN] image multitemporelle
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantiqueRésumé : (auteur) Cet article présente un réseau multimodal qui met en correspondance des images aériennes de territoires urbains et ruraux français prises à environ 15 ans d'intervalle. Il devrait être invariant à un large éventail de changements, tels que l'évolution du paysage au fil des années. Il exploite les images originales et les régions sémantiquement segmentées et étiquetées. Le coeur de la méthode est un réseau siamois qui apprend à extraire des caractéristiques des paires d'images correspondantes dans le temps et des paires non correspondantes. Ces descripteurs sont suffisamment discriminants pour qu'un simple classifieur k-NN suffise comme critère de géo-correspondance final. Dans cet article, nous dé-montrons que notre descripteur siamois surpasse les autres descripteurs d'images en termes de recherche d'images par contenu à travers le temps. Numéro de notice : C2020-003 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://cap-rfiap2020.sciencesconf.org/data/RFIAP_2020_paper_21.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95446 Voir aussiDocuments numériques
en open access
rfiap2020_21_cameraready.pdfAdobe Acrobat PDF Reconnaissance automatique d’objets pour le jumeau numérique ferroviaire à partir d’imagerie aérienne / Valentin Desbiolles (2020)
Titre : Reconnaissance automatique d’objets pour le jumeau numérique ferroviaire à partir d’imagerie aérienne Type de document : Mémoire Auteurs : Valentin Desbiolles, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2020 Importance : 71 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire de fin d'études INSA Strasbourg, Topographie - M2 IRIVLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] corrélation croisée normalisée
[Termes IGN] détection automatique
[Termes IGN] détection d'objet
[Termes IGN] détection de coins Harris
[Termes IGN] détection de contours
[Termes IGN] filtre adaptatif
[Termes IGN] image aérienne
[Termes IGN] orthophotographie
[Termes IGN] segmentation sémantique
[Termes IGN] voie ferréeIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Ce projet propose une étude sur l’insertion automatique d’objets utiles au fonctionnement d’une voie ferrée dans un plan DAO. Ces objets sont visibles sur des orthophotos acquises par moyens aéroportés (drone ou hélicoptère). La solution se scinde en 2 grands axes : La détection et la localisation des objets d’intérêt sur une orthophoto ; Leurs insertions dans un plan DAO. Ce PFE parcourt ainsi les différentes techniques pour automatiser une phase de reconnaissance de certains éléments cibles sur une image pour finir sur le développement d'une méthode permettant de les reporter dans un plan DAO. Note de contenu : Introduction
1- Etat de l'art
2- Etude de faisabilité
3- Analyse théorique d'un réseau type MASK R-CNN
4- Entraînement du réseau
5- Déploiement du réseau entraîné
6- Evaluation des résultats et perspectives d'amélioration
ConclusionNuméro de notice : 28580 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : ALTAMETRIS DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/4130/1/Rapport_PFE_Desbiolles_G5.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97863
Titre : Remote sensing based building extraction Type de document : Monographie Auteurs : Mohammad Awrangjeb, Auteur ; Xiangyun Hu, Auteur ; Bisheng Yang, Auteur ; Jiaojiao Tian, Auteur Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 442 p. ISBN/ISSN/EAN : 978-3-03928-383-5 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] détection du bâti
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image à haute résolution
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] réseau neuronal convolutif
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (Editeur) Building extraction from remote sensing data plays an important role in urban planning, disaster management, navigation, updating geographic databases, and several other geospatial applications. Even though significant research has been carried out for more than two decades, the success of automatic building extraction and modeling is still largely impeded by scene complexity, incomplete cue extraction, and sensor dependency of data. Most recently, deep neural networks (DNN) have been widely applied for high classification accuracy in various areas including land-cover and land-use classification. Therefore, intelligent and innovative algorithms are needed for the success of automatic building extraction and modeling. This Special Issue focuses on newly developed methods for classification and feature extraction from remote sensing data for automatic building extraction and 3D. Numéro de notice : 26305 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Monographie DOI : 10.3390/books978-3-03928-383-5 Date de publication en ligne : 07/04/2020 En ligne : https://doi.org/10.3390/books978-3-03928-383-5 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95064
Titre : Remote sensing for target object detection and identification Type de document : Monographie Auteurs : Gemine Vivone, Éditeur scientifique ; Paolo Addesso, Éditeur scientifique ; Amanda Ziemann, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 336 p. Format : 17 x 25 cm ISBN/ISSN/EAN : 978-3-03928-333-0 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] détection d'objet
[Termes IGN] détection de cible
[Termes IGN] image captée par drone
[Termes IGN] image hyperspectrale
[Termes IGN] image radar moirée
[Termes IGN] surveillance de l'urbanisation
[Termes IGN] surveillance écologiqueRésumé : (éditeur) Target object detection and identification are among the primary uses for a remote sensing system. This is crucial in several fields, including environmental and urban monitoring, hazard and disaster management, and defense and military. In recent years, these analyses have used the tremendous amount of data acquired by sensors mounted on satellite, airborne, and unmanned aerial vehicle (UAV) platforms. This book promotes papers exploiting different remote sensing data for target object detection and identification, such as synthetic aperture radar (SAR) imaging and multispectral and hyperspectral imaging. Several cutting-edge contributions, which provide examples of how to select of a technology or another depending on the specific application, will be detailed. Note de contenu : Editorial
1- Pixel tracking to estimate rivers water flow elevation using Cosmo-SkyMed synthetic aperture radar data
2- Flood distance algorithms and fault hidden danger recognition for transmission line towers based on SAR Images
3- Geospatial object detection on high resolution remote sensing imagery based on double multi-scale feature pyramid network
4- A novel multi-model decision fusion network for object detection in remote sensing images
5- Local region proposing for frame-based vehicle detection in satellite videos
6- Efficient object detection framework and hardware architecture for remote sensing images
7- Unsupervised saliency model with color Markov chain for oil tank detection
8- Affine-function transformation-based object matching for vehicle detection from unmanned aerial vehicle imagery
9- Hyperspectral anomaly detection via dictionary construction-based low-rank representation and adaptive weighting
10- Infrared small target detection based on non-convex optimization with Lp-Norm constraint
11- Infrared small target detection based on partial sum of the tensor nuclear norm
12- Infrared small-faint target detection using non-i.i.d. mixture of Gaussians and flux density
13- Mask sparse representation based on semantic features for thermal infrared target tracking
14- Infrared optical observability of an earth entry orbital test vehicle using ground-based remote sensorsNuméro de notice : 25885 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Monographie DOI : 10.3390/books978-3-03928-333-0 En ligne : https://doi.org/10.3390/books978-3-03928-333-0 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95781
Titre : Saliency and Burstiness for Feature Selection in CBIR Type de document : Article/Communication Auteurs : Kamel Guissous , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2020 Projets : 2-Pas d'info accessible - article non ouvert / Gouet-Brunet, Valérie Conférence : EUVIP 2019, 8th European Workshop on Visual Information Processing 28/10/2019 31/10/2019 Rome Italie Proceedings IEEE Importance : pp 111 - 116 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse d'image orientée objet
[Termes IGN] analyse visuelle
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] saillance
[Termes IGN] zone saillante 3DRésumé : (auteur) The paper addresses the problem of visual feature selection in content-based image retrieval (CBIR). We propose to study two strategies: the first one is using visual saliency, that selects the most salient features of the image and the second one exploits burstiness, that detects and processes the repeated visual elements in the image. To detect and describe the visual features in images, we rely on a deep local features approach based on convolutional neural network. The two strategies are evaluated for image retrieval on different datasets, according to two criteria: quality of retrieval and volume of manipulated features. Numéro de notice : C2019-027 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/EUVIP47703.2019.8946126 Date de publication en ligne : 02/01/2020 En ligne : https://ieeexplore.ieee.org/document/8946126 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94521 Satellite image time series classification with pixel-set encoders and temporal self-attention / Vivien Sainte Fare Garnot (2020)PermalinkSimulation d’éclairements des surfaces ombrées en zone urbaine par transfert radiatif 3D (modèle DART) / Yulu Xi (2020)PermalinkPermalinkStreambank topography: an accuracy assessment of UAV-based and traditional 3D reconstructions / Benjamin U. Meinen in International Journal of Remote Sensing IJRS, vol 41 n° 1 (01 - 08 janvier 2020)PermalinkSUMAC'20 : Proceedings of the 2nd Workshop on Structuring and Understanding of Multimedia heritAge Contents / Valérie Gouet-Brunet (2020)PermalinkSuperpixel-enhanced deep neural forest for remote sensing image semantic segmentation / Li Mi in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)PermalinkUnsupervised satellite image time series analysis using deep learning techniques / Ekaterina Kalinicheva (2020)PermalinkA versatile and efficient data fusion methodology for heterogeneous airborne LiDAR and optical imagery data acquired under unconstrained conditions / Thanh Huy Nguyen (2020)PermalinkVery high resolution land cover mapping of urban areas at global scale with convolutional neural network / Thomas Tilak (2020)PermalinkPermalinkShip identification and characterization in Sentinel-1 SAR images with multi-task deep learning / Clément Dechesne in Remote sensing, Vol 11 n° 24 (December-2 2019)PermalinkAn implicit radar convolutional burn index for burnt area mapping with Sentinel-1 C-band SAR data / Puzhao Zhang in ISPRS Journal of photogrammetry and remote sensing, Vol 158 (December 2019)PermalinkHalf a percent of labels is enough: efficient animal detection in UAV imagery using deep CNNs and active learning / Benjamin Kellenberger in IEEE Transactions on geoscience and remote sensing, vol 57 n° 12 (December 2019)PermalinkNovel adaptive histogram trend similarity approach for land cover change detection by using bitemporal very-high-resolution remote sensing images / Zhi Yong Lv in IEEE Transactions on geoscience and remote sensing, vol 57 n° 12 (December 2019)PermalinkRetours d'une campagne in-situ de VGI pour la mise à jour de données d'occupation du sol / Laurence Jolivet in Cartes & Géomatique, n° 241-242 (décembre 2019)PermalinkA two-scale approach for estimating forest aboveground biomass with optical remote sensing images in a subtropical forest of Nepal / Upama A. Koju in Journal of Forestry Research, vol 30 n° 6 (December 2019)PermalinkContext pyramidal network for stereo matching regularized by disparity gradients / Junhua Kang in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)PermalinkDeep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery / Yuri Shendryk in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)PermalinkPré-localisation des données pour la modélisation 3D de tunnels : développements et évaluations / Christophe Heinkelé in Revue Française de Photogrammétrie et de Télédétection, n° 221 (novembre 2019)PermalinkSig-NMS-based faster R-CNN combining transfer learning for small target detection in VHR optical remote sensing imagery / Ruchan Dong in IEEE Transactions on geoscience and remote sensing, vol 57 n° 11 (November 2019)Permalink