Descripteur
Documents disponibles dans cette catégorie (2578)
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 : Classification of land use from high resolution satellite imagery Type de document : Mémoire Auteurs : Yasser Kotrsi, Auteur ; Arnaud Le Bris , Encadrant ; Nesrine Chehata , Encadrant ; Anne Puissant, Encadrant ; Tristan Postadjian , Encadrant Editeur : Tunis [Tunisie] : Ecole nationale d'ingénieurs de Carthage Année de publication : 2018 Importance : 112 p. Note générale : bibliographie
End Of Studies Project Report, in fulfillment of the requirements for the degree of National engineering diploma in software engineeringLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] bibliothèque logicielle
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] Finistère (29)
[Termes IGN] fusion d'images
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] milieu urbain
[Termes IGN] occupation du sol
[Termes IGN] OpenCV
[Termes IGN] Python (langage de programmation)
[Termes IGN] semis de pointsRésumé : (auteur) The MATIS team of the LaSTIG Laboratory of the french mapping agency (IGN) has for several years conducted research activities in the field of classification of remote sensing data (aerial or satellite optical images and point clouds 3D lidar) for land use (OCS), in urban and rural areas. With the arrival of the new Sentinel S1 (radar) and S2 (optical) sensors, time series of images are now available free of charge with a high temporal resolution (between 10 and 15 days) and a high spectral resolution for optical images. In addition, the national territory is covered annually by acquisition of SPOT 6-7 images. The CES Artificialisation-urbanization pole Theia aims at the production of a map of land use in urban environment, with a resolution of 10m. Early work based on the fusion of Sentinel 2 time series with very high resolution data (THR) SPOT 6-7, Pleiades led to the detection of artifical spots, as well as well shaped urban objects. It is now a question of better characterizing this urban space by investigating about the relations between those image regions as well as each one’s spatial properties in order to produce a detailed cartography classified into different types of urban fabrics (residential, dense urban, non-dense, industrial, ...). In this study we dive deep through the problematic of the land use classification, its aspects as well the different approaches to characterize the extracted information about it in order to obtain an accurate classification that corresponds well to the expected results. This study therefore focuses on the continuation of previous work and consists in obtaining a detailed cartography in different types of urban fabrics (residential, dense urban, non-dense, industrial, ..). For that, several scientific locks are raised: • Test the data fusion methods previously used for fine mapping of the urban environment. • Develop different multiscale spatial indicators (size of objects, distance between objects, density of objects, presence of vegetation, ...) to describe the city. • Exploit these indicators in order to find different types of neighborhoods and to characterize land use. The calculation of indicators is based in part on SPOT image classifications 6-7 obtained during previous work. Also the Urban Atlas database, which also details urban spaces in urban classes, is used in the learning stage as well as the Corine Land Cover database. Note de contenu : Introduction
1- Project introduction
2- State of the art and background material
3- Available data and study areas
4- Methodology
5- Results and discussions
Conclusion and perspectivesNuméro de notice : 17187 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire ingénieur Organisme de stage : LaSTIG (IGN) DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98348 Documents numériques
peut être téléchargé
Classification of land use ... - pdf auteurAdobe Acrobat PDF Classification à très haute résolution (THR) spatiale et fusion d'occupation des sols (OCS) / Tristan Postadjian (2018)
contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)
Titre : Classification à très haute résolution (THR) spatiale et fusion d'occupation des sols (OCS) Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Clément Mallet , Auteur ; Hichem Sahbi, Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : 1-Pas de projet / Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification par réseau neuronal
[Termes IGN] fusion d'images
[Termes IGN] image à très haute résolution
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] image SPOT 7
[Termes IGN] occupation du sol
[Termes IGN] réseau neuronal convolutifRésumé : (auteur) La connaissance de la couverture du sol, bien qu'essentielle comme donnée support aux directives européennes et aux politiques publiques nationales, s'avère coûteuse dans des processus manuels. Des processus automatiques exploitant des données de télédétection s'avèrent donc nécessaires pour un suivi régulier. Ainsi, bénéficiant d'une donnée d'apprentissage massive avec les bases de données géographiques existantes, nous proposons l'utilisation de méthodes de classification automatique avancées de type réseaux de neurones convolutifs profonds (deep learning) pour produire une OCS à large échelle à partir d'images SPOT 6 et 7. Des couvertures annuelles du territoire français par ce capteur sont en effet mises à disposition par le pôle Théia. Un exemple d'utilisation des résultats obtenus pour la détection d'une tache artificialisée par fusion avec une classification de séries temporelles d'images optiques acquises par les satellites Sentinel-2 sera ensuite présenté. Numéro de notice : C2018-028 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90569 Documents numériques
peut être téléchargé
Classification à très haute résolution (THR) spatiale et ... - diaporamaAdobe Acrobat PDF Classification à très large échelle d'images satellite à très haute résolution spatiale par réseaux de neurones convolutifs / Tristan Postadjian (2018)
Titre : Classification à très large échelle d'images satellite à très haute résolution spatiale par réseaux de neurones convolutifs Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Hichem Sahbi, Auteur ; Clément Mallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : 1-Pas de projet / Conférence : CFPT 2018, Conférence Française de Photogrammétrie et de Télédétection 25/06/2018 28/06/2018 Champs-sur-Marne France Open Access Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] base de données localisées
[Termes IGN] classification par réseau neuronal
[Termes IGN] image à très haute résolution
[Termes IGN] image satellite
[Termes IGN] réseau neuronal convolutifRésumé : (auteur) Les algorithmes de classification constituent un outil essentiel pour le calcul de cartes d’occupation des sols. Les récents progrès en apprentissage automatique ont montré les très grandes performances des réseaux de neurones convolutifs pour de nombreuses applications, y compris la classification d’images aériennes et satellites. Ce travail établit une stratégie quant à l’utilisation d’un réseau de neurone convolutif pour la classification d’images satellites à très haute résolution spatiale, couvrant de très larges régions géographiques, avec pour perspective future le calcul de cartes d’occupation des sols à l’échelle d’un pays. Numéro de notice : C2018-004 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE/INFORMATIQUE Nature : Poster nature-HAL : Poster-avec-CL DOI : sans Date de publication en ligne : 28/06/2018 En ligne : https://rfiap2018.ign.fr/programmeCFPT Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90311 Documents numériques
en open access
Classification à très large échelle ... - pdf éditeurAdobe Acrobat PDF Comparative study of visual saliency maps in the problem of classification of architectural images with Deep CNNs / Abraham Montoya Obeso (2018)
Titre : Comparative study of visual saliency maps in the problem of classification of architectural images with Deep CNNs Type de document : Article/Communication Auteurs : Abraham Montoya Obeso, Auteur ; Jenny Benois-Pineau, Auteur ; Kamel Guissous , Auteur ; Valérie Gouet-Brunet , Auteur ; Mireya S. García Vázquez, Auteur ; Alejandro A. Ramírez Acosta, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2018 Projets : 2-Pas d'info accessible - article non ouvert / Conférence : IPTA 2018, 8th International Conference on Image Processing Theory, Tools and Applications 07/11/2018 10/11/2018 Xi'an Chine Proceedings IEEE Importance : pp 1 - 6 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse comparative
[Termes IGN] Bootstrap (statistique)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] compréhension de l'image
[Termes IGN] exploration de données
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] saillance
[Termes IGN] scène urbaineRésumé : (auteur) Incorporating Human Visual System (HVS) models into building of classifiers has become an intensively researched field in visual content mining. In the variety of models of HVS we are interested in so-called visual saliency maps. Contrarily to scan-paths they model instantaneous attention assigning the degree of interestingness/saliency for humans to each pixel in the image plane. In various tasks of visual content understanding, these maps proved to be efficient stressing contribution of the areas of interest in image plane to classifiers models. In previous works saliency layers have been introduced in Deep CNNs, showing that they allow reducing training time getting similar accuracy and loss values in optimal models. In case of large image collections efficient building of saliency maps is based on predictive models of visual attention. They are generally bottom-up and are not adapted to specific visual tasks. Unless they are built for specific content, such as "urban images"-targeted saliency maps we also compare in this paper. In present research we propose a "bootstrap" strategy of building visual saliency maps for particular tasks of visual data mining. A small collection of images relevant to the visual understanding problem is annotated with gaze fixations. Then the propagation to a large training dataset is ensured and compared with the classical GBVS model and a recent method of saliency for urban image content. The classification results within Deep CNN framework are promising compared to the purely automatic visual saliency prediction. Numéro de notice : C2018-097 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IPTA.2018.8608125 Date de publication en ligne : 14/01/2019 En ligne : https://doi.org/10.1109/IPTA.2018.8608125 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95885 Conception d’une méthode radar de suivi bimensuel des déforestations et d’une méthode optique de classification d’occupation des sols / Luc Baudoux (2018)
Titre : Conception d’une méthode radar de suivi bimensuel des déforestations et d’une méthode optique de classification d’occupation des sols Type de document : Mémoire Auteurs : Luc Baudoux , Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2018 Importance : 54 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de projet pluridisciplinaire, cycle Ingénieur 2e annéeLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification pixellaire
[Termes IGN] déboisement
[Termes IGN] enjeu
[Termes IGN] Guyane (département français)
[Termes IGN] image Radarsat
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] masque
[Termes IGN] restauration d'image
[Termes IGN] segmentation d'image
[Termes IGN] surface cultivée
[Termes IGN] surveillance forestièreIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (auteur) Dans le cadre de ses missions d’aménagement et de surveillance du territoire, la Direction de l’alimentation, de l’agriculture et de la forêt de Guyane a besoin d’un produit cartographique fiable et régulièrement actualisé. Pour répondre à ce besoin est venue l’idée d’utiliser des techniques de télédétection au sein du service afin de compléter la méthode actuelle basée sur la photo-interprétation. Dans ce contexte, mon stage a eu avec pour objectif principal de développer une méthode de suivi bimensuel des déforestations et pour objectif secondaire de proposer une technique de classification d’occupation des sols. Il fallait également former les agents du service aux concepts sous-jacents ainsi qu’à l’utilisation des scripts développés. L‘étude des déforestations vise à permettre la détection de zones déforestées supérieures à un hectare avec un retard de l’ordre des 15 jours. En raison de la nébulosité quasi permanente en Guyane, j’ai proposé l’utilisation de la technologie satellitaire radar SAR Sentinel 1 capable d’observer le sol même à travers un épais couvert nuageux. Les résultats obtenus sur une zone d’étude de 1300 km2 atteignent un taux de détection de 100% sur l’année 2017 pour les surfaces supérieures à 1 hectare. Le retard estimé de détection est, quant à lui, conforme aux 15 jours escomptés. La classification d’occupation des sols a pour objectif la réalisation d’une cartographie annuelle d’occupation des sols distinguant le cultivé du non cultivé. La solution proposée dans ce rapport repose sur une classification supervisée à partir d’imagerie satellitaire Sentinel 2. Les résultats obtenus parviennent à une première distinction entre le cultivé et le non cultivé, mais la méthode devra être améliorée afin de permettre le traitement automatisé de multiples images et d’augmenter le nombre de classes. Note de contenu : Introduction
1- Contextualisation
2- Méthodologies
3- Analyse des résultats
ConclusionNuméro de notice : 21827 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Direction de l’alimentation, de l’agriculture et de la forêt de Guyane Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91319 Documents numériques
peut être téléchargé
Conception d’une méthode radar... - pdf auteurAdobe Acrobat PDF Decision fusion of SPOT6 and multitemporal Sentinel2 images for urban area detection / Cyril Wendl (2018)PermalinkDeep learning based vehicular mobility models for intelligent transportation systems / Jian Zhang (2018)PermalinkDetection and localization of traffic signals with GPS floating car data and Random Forest / Yann Méneroux (2018)PermalinkDomain adaptation for large scale classification of very high resolution satellite images with deep convolutional neural networks / Tristan Postadjian (2018)PermalinkPermalinkExploring image fusion of ALOS/PALSAR data and LANDSAT data to differentiate forest area / Saygin Abdikan in Geocarto international, vol 33 n° 1 (January 2018)PermalinkExploring the impact of seasonality on urban land-cover mapping using multi-season sentinel-1A and GF-1 WFV images in a subtropical monsoon-climate region / Tao Zhou in ISPRS International journal of geo-information, vol 7 n° 1 (January 2018)PermalinkPermalinkFrom Google Maps to a fine-grained catalog of street trees / Steve Branson in ISPRS Journal of photogrammetry and remote sensing, vol 135 (January 2018)PermalinkFusion tardive d’images SPOT-6/7 et de données multitemporelles Sentinel-2 pour la détection de la tache urbaine / Cyril Wendl (2018)PermalinkA hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning / Rasmus M. Houborg in ISPRS Journal of photogrammetry and remote sensing, vol 135 (January 2018)PermalinkPermalinkLearning multiscale deep features for high-resolution satellite image scene classification / Qingshan Liu in IEEE Transactions on geoscience and remote sensing, vol 56 n° 1 (January 2018)PermalinkLocalisation d'objets urbains à partir de sources multiples dont des images aériennes / Lionel Pibre (2018)PermalinkMachine learning and pose estimation for autonomous robot grasping with collaborative robots / Victor Talbot (2018)PermalinkMéthodes d'inventaire multisource : améliorer la précision des estimations de l'IFN et atteindre l'échelle des territoires [diaporama] / Cédric Vega (2018)PermalinkNavigation des personnes aux moyens des technologies des smartphones et des données d’environnements cartographiés / Fadoua Taia Alaoui (2018)PermalinkObject-based superresolution land-cover mapping from remotely sensed imagery / Yuehong Chen in IEEE Transactions on geoscience and remote sensing, vol 56 n° 1 (January 2018)PermalinkParameter estimation with GNSS-reflectometry and GNSS synthetic aperture techniques / Miguel Angel Ribot Sanfelix (2018)PermalinkQGIS in Remote Sensing, Volume 2. QGIS and applications in agriculture and forest / Nicolas Baghdadi (2018)PermalinkRéseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne / Jean Ogier du Terrail (2018)PermalinkPermalinkSatellite remote sensing of the variability of the continental hydrology cycle in the lower Mekong basin over the last two decades / Binh Pham-Duc (2018)PermalinkSpatio-temporal grid mining applied to image classification and cellular automata analysis / Romain Deville (2018)PermalinkA stixel approach for enhancing semantic image segmentation using prior map information / Sylvain Jonchery (2018)PermalinkSuivi des cultures dans le périmètre du Loukkos-Maroc : Apport de la télédétection radar et optique / Siham Acharki (2018)PermalinkSuperpixel partitioning of very high resolution satellite images for large-scale classification perspectives with deep convolutional neural networks / Tristan Postadjian (2018)PermalinkSynergie des données Sentinel optiques et radar pour l’observation et l’analyse de la végétation du littoral du Pays de Brest / Antoine Billey (2018)PermalinkTélédétection multispectrale et hyperspectrale des eaux littorales turbides / Morgane Larnicol (2018)PermalinkPermalinkUse of satellite image classifications to update and enhance a land cover database / Mohamed Touiti (2018)PermalinkL’utilisation des données écologiques de l’inventaire pour mieux appréhender les conditions locales de milieu (atelier de travail) [diaporama] / Philippe Dreyfus (2018)PermalinkUtilisation de QGIS en télédétection, Volume 2. QGIS et applications en agriculture et forêt / Nicolas Baghdadi (2018)PermalinkLe vandalisme dans l’information géographique volontaire : apprendre pour mieux détecter ? / Quy Thy Truong (2018)PermalinkVector-based approach for combining ascending and descending persistent scatterers interferometric point measurements / Michael Foumelis in Geocarto international, vol 33 n° 1 (January 2018)PermalinkFactors affecting forest dynamics in the Iberian Peninsula from 1987 to 2012 : The role of topography and drought / Juan José Vidal-Macua in Forest ecology and management, vol 406 (15 December 2017)PermalinkAn effective ensemble classification framework using random forests and a correlation based feature selection technique / Dibyajyoti Chutia in Transactions in GIS, vol 21 n° 6 (December 2017)PermalinkBuilding extraction from fused LiDAR and hyperspectral data using Random Forest Algorithm / Saeid Parsian in Geomatica, vol 71 n° 4 (December 2017)PermalinkDiscriminative feature learning for unsupervised change detection in heterogeneous images based on a coupled neural network / Wei Zhao in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)PermalinkLearning aggregated features and optimizing model for semantic labeling / Jianhua Wang in The Visual Computer, vol 33 n° 12 (December 2017)PermalinkMapping and estimating land change between 2001 and 2013 in a heterogeneous landscape in West Africa: Loss of forestlands and capacity building opportunities / Hèou Maléki Badjana in International journal of applied Earth observation and geoinformation, vol 63 (December 2017)PermalinkMultimorphological superpixel model for hyperspectral image classification / Tianzhu Liu in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)PermalinkPermalinkOpen land cover from OpenStreetMap and remote sensing / Michael Schultz in International journal of applied Earth observation and geoinformation, vol 63 (December 2017)PermalinkPer-pixel bias-variance decomposition of continuous errors in data-driven geospatial modeling : A case study in environmental remote sensing / Jing Gao in ISPRS Journal of photogrammetry and remote sensing, vol 134 (December 2017)Permalink