Descripteur
Documents disponibles dans cette catégorie (501)
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
Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar / Mohamed Boussaha (2020)
Titre : Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar Titre original : 3D hybrid urban scene semantic mapping from multi-modal data Type de document : Thèse/HDR Auteurs : Mohamed Boussaha , Auteur ; Bruno Vallet , Directeur de thèse ; Patrick Rives, Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2020 Projets : PLaTINUM / Gouet-Brunet, Valérie Note générale : bibliographie
Dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy delivered by Université Paris-EstLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage dirigé
[Termes IGN] carte de profondeur
[Termes IGN] descripteur
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fusion de données multisource
[Termes IGN] image panoramique
[Termes IGN] maillage par triangles
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] réflectance
[Termes IGN] scène intérieure
[Termes IGN] scène urbaine
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] système de numérisation mobile
[Termes IGN] texturage
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Avec la démocratisation des applications collaboratives d'assistance à la navigation et l'avènement de robots autonomes, la cartographie mobile suscite ces dernières années une attention croissante, tant dans les milieux académiques qu'industriels. La numérisation de l'environnement offre non seulement une connaissance fine et exhaustive permettant aux usagers d'anticiper et de planifier leurs déplacements, mais garantit aussi la disponibilité d'informations fiables notamment en cas d'éventuelle défaillance des capteurs visuels d'un véhicule autonome. S'agissant d'un enjeu crucial pour une navigation fiable, la cartographie mobile soulève en revanche de nombreux défis en matière de robustesse, de précision et de passage à l'échelle. Cette problématique fait appel à des méthodes qui requièrent une capacité de traitement de données massives avec une précision centimétrique tout en gérant les spécificités de l'acquisition (la variabilité du niveau de détails, des occultations et des fortes variations de luminosité).
Cette thèse porte sur le développement d'un référentiel global géolocalisé de l'environnement urbain constitué de représentations 3D géométriques, photométriques et sémantiques. Dans un premier temps, une investigation approfondie de la représentation la plus adaptée à un tel référentiel, permet une reconstruction d'une carte haute définition à large échelle sous forme d'un maillage 3D texturé. Cette représentation est mise en place par fusion multimodale d'images orientées et de balayages LiDAR géo-référencés acquis depuis une plateforme de cartographie mobile terrestre. Par la suite, nous proposons d'intégrer l'aspect sémantique au référentiel 3D reconstruit en exploitant la complémentarité entre les modalités d'acquisition photométriques et géométriques. À travers la riche littérature sur le sujet, nous identifions l'absence d'un jeu de données urbain multimodal annoté incluant un maillage texturé à large échelle. Nous abordons ce verrou par la production d'un jeu de données composé de nuages de point 3D, d'images 2D perspectives et panoramiques, de cartes de profondeur et de reflectance ainsi qu'un maillage texturé avec les annotations correspondantes à chaque modalité. Dans un second temps, nous considérons le référentiel comme un nuage de points structuré par un graphe d'adjacence. Nous introduisons une nouvelle approche de sur-segmentation par apprentissage supervisé. Cette méthode opère en deux temps: calcul de descripteurs locaux des points 3D par apprentissage profond de métrique, puis partition du nuage de points en zones uniformes, appelées superpoints. Les descripteurs sont appris de telle sorte qu'ils présentent de forts contrastes à l'interface entre objets, incitant la partition résultante à suivre leurs contours naturels. Nos expériences sur des scènes intérieures et extérieures montrent la nette supériorité de notre approche sur les méthodes de partition de nuage de points de l'état de l'art, qui ne reposaient pas jusqu'à là sur l'apprentissage machine. Nous montrons également que notre méthode peut être combinée à un algorithme de classification de superpoints pour obtenir d'excellents résultats en terme de segmentation sémantique, améliorant aussi l'état de l'art sur ce sujet. Enfin, nous étendons cette approche aux maillages texturés. Les triangles, structurés cette fois-ci par le graphe d'adjacence du maillage, sont partitionnés en groupes homogènes appelés superfacettes. À l'instar des nuages de points, des descripteurs locaux du maillage texturé sont appris de façon à ce que les frontières d'objets sémantiquement distincts présentent un contraste élevé. Ces descripteurs sont le résultat d'une fusion des descripteurs appris sur le maillage par convolution des arêtes d'une part, et des descripteurs de texture d'autre part. Les expériences réalisées sur notre jeu de données illustrent la supériorité de notre approche par rapport aux méthodes de l'état de l'art de sur-segmentation de maillage.Numéro de notice : 17674 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de doctorat : Geographical Information Sciences and technologies : UPE : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse En ligne : https://hal.science/tel-03276242v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98009 Classification 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)
[article]
Titre : Classification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery Type de document : Article/Communication Auteurs : H. Tombul, Auteur ; Ismail Colkesen, Auteur ; Taskin Kavzoglu, Auteur Année de publication : 2020 Article en page(s) : pp 14 - 22 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algorithme d'apprentissage
[Termes IGN] analyse canonique
[Termes IGN] analyse comparative
[Termes IGN] bande spectrale
[Termes IGN] boosting adapté
[Termes IGN] carte de la végétation
[Termes IGN] carte thématique
[Termes IGN] classification orientée objet
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image Sentinel-MSI
[Termes IGN] jeu de données
[Termes IGN] Populus (genre)
[Termes IGN] précision de la classification
[Termes IGN] Rotation Forest classification
[Termes IGN] segmentation multi-échelle
[Termes IGN] TurquieRésumé : (auteur) The poplar species in the forest ecosystems are one of the most valuable and beneficial species for the society and environment. Conventional methods require high cost, time and labor need, and the results obtained vary and are insu˚cient in terms of achieved accuracy level. Determination of poplar cultivated fields and mapping of their spatial sites play a vital role for decision-makers and planners to enhance the economic and ecological value of poplar trees. The study aims to map Poplar (P. deltoides) cultivated areas in Akyazi district of Sakarya, Turkey province using various combinations of the Sentinel-2A image bands. For this purpose, object-based classification based on multi-resolution segmentation algorithm was utilized to produce image objects and ensemble learning algorithms, namely, Adaboost (AdaB), Random Forest (RF), Rotation Forest (RotFor) and Canonical correlation forest (CCF) were applied to produce thematic maps. In order to analyze the effects of the spectral bands of the Sentinel-2A image on the object-based classification performance, three datasets consisting of different spectral band combinations (i.e. four 10 m bands, six 20 m bands and ten 10m pan-sharpened bands) were used. The results showed that the RotFor and CCF classifiers produced superior classification performances compared to the AdaB and RF classifiers for the band combinations regarded in this study. Moreover, it was found that determination of poplar tree class level accuracy reached to ~94% in terms of F-score. It was also observed that the inclusion of the six spectral bands at 20 m resolution resulted in a noteworthy increase in classification accuracy (up to 6%) compared to single 10m band combination. Numéro de notice : A2020-420 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1515/jogs-2020-0003 Date de publication en ligne : 04/05/2020 En ligne : https://doi.org/10.1515/jogs-2020-0003 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95477
in Journal of geodetic science > vol 10 n° 1 (January 2020) . - pp 14 - 22[article]Convolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts / Rodrigo Caye Daudt (2020)
Titre : Convolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts Type de document : Thèse/HDR Auteurs : Rodrigo Caye Daudt, Auteur ; Yann Gousseau, Directeur de thèse Editeur : Paris : Institut Polytechnique de Paris Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de doctorat de l’Institut Polytechnique de Paris préparée à Telecom Paris, spécialité Informatique, données, intelligence artificielleLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse diachronique
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage profond
[Termes IGN] cartographie automatique
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] image multi sources
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) The analysis of satellite and aerial Earth observation images allows us to obtain precise information over large areas. A multitemporal analysis of such images is necessary to understand the evolution of such areas. In this thesis, convolutional neural networks are used to detect and understand changes using remote sensing images from various sources in supervised and weakly supervised settings. Siamese architectures are used to compare coregistered image pairs and to identify changed pixels. The proposed method is then extended into a multitask network architecture that is used to detect changes and perform land cover mapping simultaneously, which permits a semantic understanding of the detected changes. Then, classification filtering and a novel guided anisotropic diffusion algorithm are used to reduce the effect of biased label noise, which is a concern for automatically generated large-scale datasets. Weakly supervised learning is also achieved to perform pixel-level change detection using only image-level supervision through the usage of class activation maps and a novel spatial attention layer. Finally, a domain adaptation method based on adversarial training is proposed, which succeeds in projecting images from different domains into a common latent space where a given task can be performed. This method is tested not only for domain adaptation for change detection, but also for image classification and semantic segmentation, which proves its versatility. Note de contenu : 1. Introduction
1.1 Context
1.2 Domain
1.3 Objectives
1.4 Publications
2. Related Work
2.1 Computer Vision and Image Analysis
2.2 Machine Learning
2.3 Change Detection Using Remote Sensing Images
2.4 Evaluation Metrics
3. Supervised Change Detection
3.1 Introduction
3.2 ONERA Satellite Change Detection Dataset
3.3 Patch Based Architectures
3.4 Fully Convolutional Architectures
3.5 Experiments
3.6 Conclusion
4. Semantic Change Detection 62
4.1 High Resolution Semantic Change Detection Dataset
4.2 Methodology
4.3 Results
4.4 Conclusion
5. Weakly Supervised Change Detection
5.1 Change Detection with Unreliable Data
5.2 Method
5.3 Experiments
5.4 Analysis
5.5 Conclusion
6. Domain Adaptation for Change Detection
6.1 Motivation
6.2 Unsupervised Domain Adaptation
6.3 Formulation
6.4 Implementation
6.5 Results
6.6 Limitations and Discussion
6.7 Unpaired Translation of Change Detection Images
6.8 Conclusion
7. ConclusionNuméro de notice : 26557 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique, données, intelligence artificielle : Paris : 2020 Organisme de stage : Laboratoire Traitement et Communication de l'Information LTCI nature-HAL : Thèse DOI : sans Date de publication en ligne : 12/04/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03105668/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98101
Titre : Cross-year multi-modal image retrieval using siamese networks Type de document : Article/Communication Auteurs : Margarita Khokhlova , Auteur ; Valérie Gouet-Brunet , Auteur ; Nathalie Abadie , Auteur ; Liming Chen, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2020 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : ICIP 2020, 27th IEEE International Conference on Image Processing 25/10/2020 28/10/2020 Abou Dhabi Emirats Arabes Unis Proceedings IEEE Importance : pp 2361 - 2365 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] descripteur
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantiqueRésumé : (auteur) This paper introduces a multi-modal network that learns to retrieve by content vertical aerial images of French urban and rural territories taken about 15 years apart. This means it should be invariant against a big range of changes as the (nat-ural) landscape evolves over time. It leverages the original images and semantically segmented and labeled regions. The core of the method is a Siamese network that learns to extract features from corresponding image pairs across time. These descriptors are discriminative enough, such that a simple kNN classifier on top, suffices as final geo-matching criteria. The method outperformed SOTA "off-the-shelf" image descrip-tors GEM and ResNet50 on the new aerial images dataset. Numéro de notice : C2020-015 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICIP40778.2020.9190662 Date de publication en ligne : 01/10/2020 En ligne : https://doi.org/10.1109/ICIP40778.2020.9190662 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95684 Deep learning for remote sensing images with open source software / Rémi Cresson (2020)
Titre : Deep learning for remote sensing images with open source software Type de document : Guide/Manuel Auteurs : Rémi Cresson, Auteur Editeur : Boca Raton, New York, ... : CRC Press Année de publication : 2020 Importance : 164 p. Présentation : Nombreuses illustrations en couleur ISBN/ISSN/EAN : 978-0-367-85848-3 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] image radar
[Termes IGN] image Sentinel
[Termes IGN] jeu de données localisées
[Termes IGN] Orfeo Tool Box
[Termes IGN] QGIS
[Termes IGN] restauration d'image
[Termes IGN] segmentation sémantiqueIndex. décimale : 35.20 Traitement d'image Résumé : (Editeur) In today’s world, deep learning source codes and a plethora of open access geospatial images are readily available and easily accessible. However, most people are missing the educational tools to make use of this resource.This book is the first practical book to introduce deep learning techniques using free open source tools for processing real world remote sensing images. The approaches detailed in this book are generic and can be adapted to suit many different applications for remote sensing image processing, including landcover mapping, forestry, urban studies, disaster mapping, image restoration, etc. Written with practitioners and students in mind, this book helps link together the theory and practical use of existing tools and data to apply deep learning techniques on remote sensing images and data.
Specific Features of this Book:
- The first book that explains how to apply deep learning techniques to public, free available data (Spot-7 and Sentinel-2 images, OpenStreetMap vector data), using open source software (QGIS, Orfeo ToolBox, TensorFlow)
- Presents approaches suited for real world images and data targeting large scale processing and GIS applications
- Introduces state of the art deep learning architecture families that can be applied to remote sensing world, mainly for landcover mapping, but also for generic approaches (e.g. image restoration)
- Suited for deep learning beginners and readers with some GIS knowledge. No coding knowledge is required to learn practical skills.
- Includes deep learning techniques through many step by step remote sensing data processing exercises.Note de contenu :
Introduction
1. Backgrounds
2. Patch Based Classification
3. Semantic Segmentation
4. Image RestorationNuméro de notice : 26551 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Manuel DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97864 Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 26551-01 35.20 Livre Centre de documentation Télédétection Disponible PermalinkDétection et vectorisation automatiqued’objets linéaires dans des nuages de points de voirie / Etienne Barçon (2020)PermalinkDevelopment of new homogenisation methods for GNSS atmospheric data. Application to the analysis of climate trends and variability / Annarosa Quarello (2020)PermalinkGénération de cartes tactiles photoréalistes pour personnes déficientes visuelles par apprentissage profond / Gauthier Fillières-Riveau in Revue internationale de géomatique, vol 30 n° 1-2 (janvier - juin 2020)PermalinkPermalinkIdentification of alpine glaciers in the central Himalayas using fully polarimetric L-Band SAR data / Guo-Hui Yao in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)PermalinkPermalinkPermalinkPermalinkRecherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois / Margarita Khokhlova (2020)Permalink