Descripteur
Documents disponibles dans cette catégorie (2616)
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 : Intelligent embedded camera for robust object tracking on mobile platform Titre original : Caméra intelligente embarquée pour le suivi robuste d'objets sur plateforme mobile Type de document : Thèse/HDR Auteurs : Imane Salhi , Auteur ; Valérie Gouet-Brunet , Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2021 Importance : 177 p. Format : 21 x 30 cm Note générale : bibliographie
Doctoral Thesis Computer Science, Automation and Signal Processing, Ecole doctorale Mathématiques et STIC, Université Gustave EiffelLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s)
[Termes IGN] caméra numérique
[Termes IGN] cartographie et localisation simultanées
[Termes IGN] centrale inertielle
[Termes IGN] couplage caméra/INS
[Termes IGN] détection d'objet
[Termes IGN] instrument embarqué
[Termes IGN] méthode robuste
[Termes IGN] navigation inertielle
[Termes IGN] odomètre
[Termes IGN] système à couplage étroit
[Termes IGN] système de numérisation mobileIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Le suivi visuel-inertiel est une thématique d'actualité, difficile à traiter, notamment lorsqu’il s’agit de respecter les contraintes des systèmes embarqués, comme dans les drones autonomes (Unmanned Aerial Vehicles (UAVs)). Les questions relatives à la miniaturisation, la portabilité et la communication des systèmes électroniques s’inscrivent dans des problématiques actuelles en matière d'avancée technologique. Pour répondre de manière efficace à ces problématiques, il est nécessaire d’envisager des traitements complexes et des implémentations sur des supports contraignants en termes d’intégration et de consommation d’énergie, tels que les micro-véhicules aériens (MAVs), les lunettes et les caméras intelligentes. Au cours de cette dernière décennie, différents algorithmes performants de suivi ont été développés. En revanche, ils nécessitent des ressources calculatoires conséquentes, compte tenu des différentes formes d'utilisation possibles. Or, les systèmes embarqués imposent de fortes contraintes d'intégration, ce qui réduit leurs ressources, particulièrement en termes de capacité calculatoire. Ainsi, ce type de système nécessite de recourir à des approches efficaces avec moins de charge et de complexité calculatoire. L’enjeu de cette thèse réside dans cette problématique. L'objectif est d’apporter une solution embarquée de suivi qui permettrait d'assurer un fonctionnement robuste dans différents environnements de navigation. Une analyse des algorithmes pertinents de suivi, visuel et visuel-inertiel et des environnements de navigation ainsi qu’une étude de différentes architectures embarquées de calcul sont menées, afin de proposer notre solution nommée « système de suivi inertiel-visuel adaptatif à l'environnement de navigation~». Cette dernière consiste à alterner entre deux approches de suivi : KLT-ORB et EKF VI Tracking, selon les conditions de navigation du système, grâce au module de contrôle, tout en assurant la cohérence du système global en gérant le nombre de PoIs et l'occurrence de leur détection et en respectant les contraintes des systèmes embarqués. Tous nos expérimentations et tests ont été réalisées en utilisant le jeux de données EuRoC. Numéro de notice : 17632 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/POSITIONNEMENT Nature : Thèse française Note de thèse : Thèse : Informatique, automatique et traitement du signal : Gustave Eiffel : 2021 Organisme de stage : LaSTIG (IGN) + Laboratoire L3A (CEA) nature-HAL : Thèse DOI : sans Date de publication en ligne : 03/03/2021 En ligne : https://hal.science/tel-03150241 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97275
Titre : Introducing the boundary-aware loss for deep image segmentation Type de document : Article/Communication Auteurs : Minh On Vu Ngoc, Auteur ; Yizi Chen , Auteur ; Nicolas Boutry, Auteur ; Joseph Chazalon, Auteur ; Edwin Carlinet, Auteur ; Jonathan Fabrizio, Auteur ; Clément Mallet , Auteur ; Thierry Géraud, Auteur Editeur : The British Machine Vision Association Press (BMVA) Année de publication : 2021 Projets : SODUCO / Perret, Julien Conférence : BMVC 2021, 32nd British Machine Vision Conference 22/11/2021 25/11/2021 online Royaume-Uni OA Proceedings Importance : 17 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] classification barycentrique
[Termes IGN] segmentation d'imageRésumé : (auteur) Most contemporary supervised image segmentation methods do not preserve the initial topology of the given input (like the closeness of the contours). One can generally remark that edge points have been inserted or removed when the binary prediction and the ground truth are compared. This can be critical when accurate localization of multiple interconnected objects is required. In this paper, we present a new loss function, called, Boundary-Aware loss (BALoss), based on the Minimum Barrier Distance (MBD) cut algorithm. It is able to locate what we call the leakage pixels and to encode the boundary information coming from the given ground truth. Thanks to this adapted loss, we are able to significantly refine the quality of the predicted boundaries during the learning procedure. Furthermore, our loss function is differentiable and can be applied to any kind of neural network used in image processing. We apply this loss function on the standard U-Net and DC U-Net on Electron Microscopy datasets. They are well-known to be challenging due to their high noise level and to the close or even connected objects covering the image space. Our segmentation performance, in terms of Variation of Information (VOI) and Adapted Rank Index (ARI), are very promising and lead to 15% better scores of VOI and 5% better scores of ARI than the state-of-the-art. The code of boundary-awareness loss is freely available at https://github.com/onvungocminh/MBD_BAL Numéro de notice : C2021-054 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://www.bmvc2021-virtualconference.com/assets/papers/1546.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99411 LANet: Local attention embedding to improve the semantic segmentation of remote sensing images / Lei Ding in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)
[article]
Titre : LANet: Local attention embedding to improve the semantic segmentation of remote sensing images Type de document : Article/Communication Auteurs : Lei Ding, Auteur ; Hao Tang, Auteur ; Lorenzo Bruzzone, Auteur Année de publication : 2021 Article en page(s) : pp 426 - 435 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de données
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] décodage
[Termes IGN] distribution spatiale
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] segmentation sémantiqueRésumé : (auteur) The trade-off between feature representation power and spatial localization accuracy is crucial for the dense classification/semantic segmentation of remote sensing images (RSIs). High-level features extracted from the late layers of a neural network are rich in semantic information, yet have blurred spatial details; low-level features extracted from the early layers of a network contain more pixel-level information but are isolated and noisy. It is therefore difficult to bridge the gap between high- and low-level features due to their difference in terms of physical information content and spatial distribution. In this article, we contribute to solve this problem by enhancing the feature representation in two ways. On the one hand, a patch attention module (PAM) is proposed to enhance the embedding of context information based on a patchwise calculation of local attention. On the other hand, an attention embedding module (AEM) is proposed to enrich the semantic information of low-level features by embedding local focus from high-level features. Both proposed modules are lightweight and can be applied to process the extracted features of convolutional neural networks (CNNs). Experiments show that, by integrating the proposed modules into a baseline fully convolutional network (FCN), the resulting local attention network (LANet) greatly improves the performance over the baseline and outperforms other attention-based methods on two RSI data sets. Numéro de notice : A2021-035 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2994150 Date de publication en ligne : 27/05/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2994150 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96737
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 1 (January 2021) . - pp 426 - 435[article]
Titre : Learning digital geographies through geographical artificial intelligence Type de document : Thèse/HDR Auteurs : Pengyuan Liu, Auteur ; Stefano de Sabbata, Directeur de thèse ; Yu-Dong Zhang, Directeur de thèse Editeur : Leicester [Royaume-Uni] : University of Leicester Année de publication : 2021 Importance : 199 p. Format : 21 x 30 cm Note générale : bibliographie
A thesis submitted in fulfillment of the requirements for the degree of Doctor of Philosophy, Geology and EnvironmentLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] analyse de groupement
[Termes IGN] analyse socio-économique
[Termes IGN] apprentissage profond
[Termes IGN] contenu généré par les utilisateurs
[Termes IGN] croissance urbaine
[Termes IGN] détection de changement
[Termes IGN] données issues des réseaux sociaux
[Termes IGN] données localisées des bénévoles
[Termes IGN] données spatiotemporelles
[Termes IGN] géomatique web
[Termes IGN] intelligence artificielle
[Termes IGN] Londres
[Termes IGN] réseau neuronal de graphes
[Termes IGN] réseau sémantique
[Termes IGN] système d'information urbain
[Termes IGN] zone urbaineIndex. décimale : THESE Thèses et HDR Résumé : (auteur) As the distinction between online and physical spaces rapidly degrades, digital platforms have become an integral component of how people’s everyday experiences are mediated. User-generated content (UGC) shared on such platforms provides insights into how users want to represent their everyday lives, which augments and reinforces our understanding of local communities through time and layers dynamic information across and over the geographic space. Inspired by the development of the newly arisen scientific disciplines within geography: geographical artificial intelligence (GeoAI), this thesis adopts deep learning approaches on graph representations of human dynamics illustrated through geotagged UGC to explore how place representations are augmented and reinforced through users’ spatial experiences by classifying their multimedia activities and identifying the spatial clusters of UGC at the urban scale. Having the place representations described through UGC, this thesis explores how these representations can be used in conjunction with various official spatial statistics to understand and predict the dynamic changes of the socio-economic characteristics of places. The principal contributions of this thesis are: (1) to provide frameworks with higher classification and prediction accuracy but requiring fewer sample data; thus, contributing to an advanced framework to summarise spatial characteristics of places; (2) to show that multimedia content provides rich information regarding places, the use of space, and people’s experience of the landscape; thus, benefiting a better understanding of place representations; (3) to illustrate that the spatial patterns of UGC can be adopted as a valuable proxy to understand urban development and neighbourhood change; (4) to reinforce the concept that Spatial is Special. Spatial processes are commonly spatially autocorrelated. The mainstream of machine learning methods do not explicitly incorporate the spatial or spatio-temporal component to address such a speciality of spatial data. This thesis highlights the importance of explicitly incorporating spatial or spatio-temporal components in geographical analysis models. Note de contenu : 1- Introduction
2- Towards quantitative digital geographies: Concepts, research and implications
3- Data and methods
4- Classification learning through a graph-based semi-supervised approach
5- Location estimation of social media content through a graph-based linkPrediction
6- Urban change modelling with spatial knowledge graphs
7- DiscussionNuméro de notice : 28629 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Thèse étrangère Note de thèse : PhD Thesis: Geology and Environment: Leicester : 2021 DOI : sans En ligne : https://leicester.figshare.com/articles/thesis/Learning_Digital_Geographies_thro [...] Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99618 Learning disentangled representations of satellite image time series in a weakly supervised manner / Eduardo Hugo Sanchez (2021)
Titre : Learning disentangled representations of satellite image time series in a weakly supervised manner Type de document : Thèse/HDR Auteurs : Eduardo Hugo Sanchez, Auteur ; Mathieu Serrurier, Directeur de thèse ; Mathias Ortner, Directeur de thèse Editeur : Toulouse : Université de Toulouse 3 Paul Sabatier Année de publication : 2021 Importance : 176 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, Spécialité Informatique et TélécommunicationsLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse des mélanges spectraux
[Termes IGN] analyse des mélanges temporels
[Termes IGN] apprentissage automatique
[Termes IGN] classification dirigée
[Termes IGN] classification non dirigée
[Termes IGN] image Sentinel-MSI
[Termes IGN] réseau antagoniste génératif
[Termes IGN] segmentation d'image
[Termes IGN] série temporelleIndex. décimale : THESE Thèses et HDR Résumé : (auteur) This work focuses on learning data representations of satellite image time series via an unsupervised learning approach. The main goal is to enforce the data representation to capture the relevant information from the time series to perform other applications of satellite imagery. However, extracting information from satellite data involves many challenges since models need to deal with massive amounts of images provided by Earth observation satellites. Additionally, it is impossible for human operators to label such amount of images manually for each individual task (e.g. classification, segmentation, change detection, etc.). Therefore, we cannot use the supervised learning framework which achieves state-of-the-art results in many tasks.To address this problem, unsupervised learning algorithms have been proposed to learn the data structure instead of performing a specific task. Unsupervised learning is a powerful approach since no labels are required during training and the knowledge acquired can be transferred to other tasks enabling faster learning with few labels.In this work, we investigate the problem of learning disentangled representations of satellite image time series where a shared representation captures the spatial information across the images of the time series and an exclusive representation captures the temporal information which is specific to each image. We present the benefits of disentangling the spatio-temporal information of time series, e.g. the spatial information is useful to perform time-invariant image classification or segmentation while the knowledge about the temporal information is useful for change detection. To accomplish this, we analyze some of the most prevalent unsupervised learning models such as the variational autoencoder (VAE) and the generative adversarial networks (GANs) as well as the extensions of these models to perform representation disentanglement. Encouraged by the successful results achieved by generative and reconstructive models, we propose a novel framework to learn spatio-temporal representations of satellite data. We prove that the learned disentangled representations can be used to perform several computer vision tasks such as classification, segmentation, information retrieval and change detection outperforming other state-of-the-art models. Nevertheless, our experiments suggest that generative and reconstructive models present some drawbacks related to the dimensionality of the data representation, architecture complexity and the lack of disentanglement guarantees. In order to overcome these limitations, we explore a recent method based on mutual information estimation and maximization for representation learning without relying on image reconstruction or image generation. We propose a new model that extends the mutual information maximization principle to disentangle the representation domain into two parts. In addition to the experiments performed on satellite data, we show that our model is able to deal with different kinds of datasets outperforming the state-of-the-art methods based on GANs and VAEs. Furthermore, we show that our mutual information based model is less computationally demanding yet more effective. Finally, we show that our model is useful to create a data representation that only captures the class information between two images belonging to the same category. Disentangling the class or category of an image from other factors of variation provides a powerful tool to compute the similarity between pixels and perform image segmentation in a weakly-supervised manner. Note de contenu : Introduction
1- Background
2- Representation disentanglement via VAEs/GANs
3- Representation disentanglement via mutual information estimation
ConclusionNuméro de notice : 24065 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique et Télécommunications : Toulouse 3 : 2021 Organisme de stage : nstitut de Recherche en Informatique de Toulouse IRIT DOI : sans En ligne : http://thesesups.ups-tlse.fr/4971/1/2021TOU30032.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101822 PermalinkMask R-CNN and OBIA fusion improves the segmentation of scattered vegetation in very high-resolution optical sensors / Emilio Guirado in Sensors, vol 21 n° 1 (January 2021)PermalinkMulti-modal temporal attention models for crop mapping from satellite time series / Vivien Sainte Fare Garnot (2021)PermalinkPermalinkPermalinkObject detection using component-graphs and ConvNets with application to astronomical images / Thanh Xuan Nguyen (2021)PermalinkPanoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)PermalinkPerception de scène par un système multi-capteurs, application à la navigation dans des environnements d'intérieur structuré / Marwa Chakroun (2021)PermalinkPermalinkProposition d’un référentiel de description et de détection de la végétation dans une agglomération / Mathilde Segaud (2021)Permalink