Descripteur
Termes IGN > imagerie > image numérique > image optique > image multibande
image multibandeSynonyme(s)Image xs ;Image multispectrale donnees multispectralesVoir aussi |
Documents disponibles dans cette catégorie (848)
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
MLMT-CNN for object detection and segmentation in multi-layer and multi-spectral images / Majedaldein Almahasneh in Machine Vision and Applications, vol 33 n° 1 (January 2022)
[article]
Titre : MLMT-CNN for object detection and segmentation in multi-layer and multi-spectral images Type de document : Article/Communication Auteurs : Majedaldein Almahasneh, Auteur ; Adeline Paiement, Auteur ; Xianghua Xie, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 9 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage profond
[Termes IGN] atmosphère solaire
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] couche thématique
[Termes IGN] détection d'objet
[Termes IGN] image multibande
[Termes IGN] segmentation d'imageRésumé : (auteur) Precisely localising solar Active Regions (AR) from multi-spectral images is a challenging but important task in understanding solar activity and its influence on space weather. A main challenge comes from each modality capturing a different location of the 3D objects, as opposed to typical multi-spectral imaging scenarios where all image bands observe the same scene. Thus, we refer to this special multi-spectral scenario as multi-layer. We present a multi-task deep learning framework that exploits the dependencies between image bands to produce 3D AR localisation (segmentation and detection) where different image bands (and physical locations) have their own set of results. Furthermore, to address the difficulty of producing dense AR annotations for training supervised machine learning (ML) algorithms, we adapt a training strategy based on weak labels (i.e. bounding boxes) in a recursive manner. We compare our detection and segmentation stages against baseline approaches for solar image analysis (multi-channel coronal hole detection, SPOCA for ARs) and state-of-the-art deep learning methods (Faster RCNN, U-Net). Additionally, both detection and segmentation stages are quantitatively validated on artificially created data of similar spatial configurations made from annotated multi-modal magnetic resonance images. Our framework achieves an average of 0.72 IoU (segmentation) and 0.90 F1 score (detection) across all modalities, comparing to the best performing baseline methods with scores of 0.53 and 0.58, respectively, on the artificial dataset, and 0.84 F1 score in the AR detection task comparing to baseline of 0.82 F1 score. Our segmentation results are qualitatively validated by an expert on real ARs. Numéro de notice : A2022-089 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s00138-021-01261-y Date de publication en ligne : 29/11/2021 En ligne : https://doi.org/10.1007/s00138-021-01261-y Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99500
in Machine Vision and Applications > vol 33 n° 1 (January 2022) . - n° 9[article]A novel unmixing-based hypersharpening method via convolutional neural network / Xiaochen Lu in IEEE Transactions on geoscience and remote sensing, vol 60 n° 1 (January 2022)
[article]
Titre : A novel unmixing-based hypersharpening method via convolutional neural network Type de document : Article/Communication Auteurs : Xiaochen Lu, Auteur ; Tong Li, Auteur ; Junping Zhang, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 5503614 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse des mélanges spectraux
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] fusion d'images
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] pansharpening (fusion d'images)
[Termes IGN] pouvoir de résolution géométrique
[Termes IGN] pouvoir de résolution spectraleRésumé : (auteur) Hypersharpening (namely, hyperspectral (HS) and multispectral (MS) image fusion) aims at enhancing the spatial resolution of HS image via an auxiliary higher resolution MS image. Currently, numerous hypersharpening methods are proposed successively, among which the unmixing-based approaches have been widely researched and demonstrated their effectiveness in the spectral fidelity aspect. However, existing unmixing-based fusion methods substantially employ mathematical techniques to solve the spectral mixture model, without taking full advantage of the collaborative spatial–spectral information that is usually helpful for abundance estimation improvement. To overcome this drawback, in this article, a novel unmixing-based HS and MS image fusion method, via a convolutional neural network (CNN), is proposed to promote spectral fidelity. The main idea of this work is to use CNN to fully explore the spatial information and the spectral information of both HS and MS images simultaneously, thereby enhancing the accuracy of estimating the abundance maps. Experiments on four simulated and real remote sensing data sets demonstrate that the proposed method is beneficial to the spectral fidelity of the fused images compared with some state-of-the-art algorithms. Meanwhile, it is also easy to implement and has a certain advantage in running time. Numéro de notice : A2022-028 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2021.3063105 Date de publication en ligne : 22/03/2021 En ligne : https://doi.org/10.1109/TGRS.2021.3063105 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99264
in IEEE Transactions on geoscience and remote sensing > vol 60 n° 1 (January 2022) . - n° 5503614[article]A PCA-PD fusion method for change detection in remote sensing multi temporal images / Soltana Achour in Geocarto international, vol 37 n° 1 ([01/01/2022])
[article]
Titre : A PCA-PD fusion method for change detection in remote sensing multi temporal images Type de document : Article/Communication Auteurs : Soltana Achour, Auteur ; Miloud Chikr Elmezouar, Auteur ; Nasreddine Taleb, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 196 - 213 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse en composantes principales
[Termes IGN] détection automatique
[Termes IGN] détection de changement
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] image multitemporelle
[Termes IGN] image panchromatique
[Termes IGN] méthode statistique
[Termes IGN] seuillage d'imageRésumé : (auteur) In remote sensing, for applications as environment monitoring, change detection based on image processing is one of the most important techniques. To reach high performance various techniques of fusion are exploited using a combination of multi-temporal, multispectral and panchromatic satellite images. A solution for handling such kind of images holds when using some simple statistical methods like the Percent Difference (PD) technique as well as the Principal Component Analysis (PCA) one. In this paper, an automatic change detection method issued from the two previous techniques is proposed and applied on multispectral and panchromatic images captured by a high resolution optical satellite. This approach is characterized by two aspects: the first one consists of the fusion of the different data and the second one performs the detection of the changes for the resulting images. The experimental results show the reasonable quantitative performance and the effectiveness of the proposed method for change detection, consisting of an automatic extraction of most of change information as well as the obtention of better results for most precision metrics consisting of an overall accuracy of up to 91% and a Kappa coefficient of up to 66%, comparing to those obtained using the simple PD and PCA techniques. Numéro de notice : A2022-048 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1713228 Date de publication en ligne : 10/02/2020 En ligne : https://doi.org/10.1080/10106049.2020.1713228 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99441
in Geocarto international > vol 37 n° 1 [01/01/2022] . - pp 196 - 213[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 059-2022011 RAB Revue Centre de documentation En réserve L003 Disponible Preparation of the VENµS satellite data over Israel for the input into the GRASP data treatment algorithm / Maeve Blarel (2022)
Titre : Preparation of the VENµS satellite data over Israel for the input into the GRASP data treatment algorithm Type de document : Mémoire Auteurs : Maeve Blarel, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 73 p. Format : 21 x 30 cm Note générale : Bibliographie
Rapport de projet pluridisciplinaire, cycle ING2Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] aérosol
[Termes IGN] conversion de données
[Termes IGN] correction atmosphérique
[Termes IGN] correction géométrique
[Termes IGN] correction radiométrique
[Termes IGN] image hyperspectrale
[Termes IGN] image Venµs-VSSC
[Termes IGN] Israël
[Termes IGN] microsatellite
[Termes IGN] Python (langage de programmation)
[Termes IGN] série temporelle
[Termes IGN] traitement de données localiséesIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) Réalisé au sein du laboratoire de télédétection de l’Institut Jacob Blaustein pour la recherche sur le désert (BIDR) de l’Université Ben-Gourion du Négev, en Israël, et financé par une mission du CNRS, ce stage a pour objectif l’adaptation d’un driver dédié à la conversion des données satellites VENµS et à leur préparation pour le traitement par l’algorithme GRASP. VENµS (Vegetation and Environment monitoring New Micro-Satellite) est un microsatellite, fruit d’une collaboration franco-israélienne pour l’observation de la Terre à l’aide d’une caméra super spectrale. Les visées de la mission scientifique sont déterminées par le CESBIO et le CNES, en France, et l’Université Ben-Gourion du Néguev, en Israël. Son objectif est de fournir des observations à haute résolution spatiale pour la recherche scientifique portant sur la surveillance, l’analyse et la caractérisation du fonctionnement de la surface terrestre, sous les effets de facteurs environnementaux et des activités humaines. Plus particulièrement, ces données sont dédiées à des applications dans l’agriculture de précision, l’urbanisation et la surveillance des masses d’eau. Les images acquises au-dessus d’Israël ont un format différent de celles prises à travers le monde pour une gestion distincte des données. Aujourd’hui, les recherches israélienne et française souhaitent une caractérisation des aérosols atmosphériques sur Israël et un traitement des données par GRASP. La problématique rencontrée est la conversion des données sur Israël pour leur entrée dans cet algorithme. Après une phase de découverte et de compréhension des données satellites VENµS et celles requises à l’entrée de GRASP, le travail de ce présent stage consiste à développer une solution d’adaptation du programme informatique pour la conversion des données VENµS sur Israël. Des perspectives existent pour ce projet. Pour observer la Terre, on souhaite des données de plus en plus précises par des améliorations de l’acquisition et du traitement des images. Concernant l’acquisition de données, les intervalles de temps de revisite limitent actuellement l’avantage multi-pixel. D’un autre côté, l’un des objectifs de cette mission satellitaire est le développement des algorithmes pour exploiter des séries temporelles de données, incluant les corrections géométriques et radiométriques. Pour GRASP, la gestion du masque des nuages doit être perfectionnée et concernant le driver adapté, les observations directionnelles demandent une exploitation plus grande. L’ensemble des codes Python, fonctionnels et commentés, implémenté au cours du stage est confidentiel et reste à la propriété de GRASP. Par conséquent, aucun script provenant du code source ne sera présenté au cours de ce rapport. Note de contenu : Introduction
1. Internship presentation
1.1 Context
1.2 Issues and Objectives
1.3 State of current research
2. Technical study
2.1 Driver architecture
2.2 Language, libraries and software in use
2.3 The data
3. Achievement
3.1 Implementation
3.2 Progress of internship
3.3 Difficulties encountered and Solutions adopted
ConclusionNuméro de notice : 26872 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Laboratoire de télédétection de l’Institut Jacob Blaustein (Université Ben-Gourion du Négev) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101702 Documents numériques
peut être téléchargé
Preparation of the VENµS satellite data over Israel for the input into the GRASP data treatment algorithm - pdf auteurAdobe Acrobat PDF Self-attention and generative adversarial networks for algae monitoring / Nhut Hai Huynh in European journal of remote sensing, vol 55 n° 1 (2022)
[article]
Titre : Self-attention and generative adversarial networks for algae monitoring Type de document : Article/Communication Auteurs : Nhut Hai Huynh, Auteur ; Gordon Boër, Auteur ; Hauke Schramm, Auteur Année de publication : 2022 Article en page(s) : pp 10 - 22 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algue
[Termes IGN] analyse en composantes principales
[Termes IGN] apprentissage profond
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] image hyperspectrale
[Termes IGN] plancton
[Termes IGN] réseau antagoniste génératif
[Termes IGN] réseau neuronal artificielRésumé : (auteur) Water is important for the natural environment and human health. Monitoring algae concentrations yield information on the water quality. Compared with in situ measurements of water quality parameters, which are often complex and expensive, remote sensing techniques, using hyperspectral data analysis, are fast and cost-effective. The objectives of this study are (1) to estimate the algae concentrations from hyperspectral data using deep learning techniques, (2) to investigate the applicability of attention mechanisms in the analysis of hyperspectral data, and (3) to augment the training data using generative adversarial networks (GANs). The results show that the accuracy of deep learning techniques is 7.6% higher than that of simpler artificial neural networks. Compared to noise injection and principal component analysis-based data augmentation, the use of a GAN-based data augmentation method significantly improves the accuracy of algae concentration estimates (>5%). In addition, models with added attention mechanisms yield an on average 3.13% higher accuracy than those without attention techniques. This result demonstrates the improvement of spectral features of artificial hyperspectral data based on the self-attention approach, revealing the potential of attention techniques in hyperspectral remote sensing. Numéro de notice : A2022-097 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/22797254.2021.2010605 Date de publication en ligne : 02/01/2022 En ligne : https://doi.org/10.1080/22797254.2021.2010605 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99547
in European journal of remote sensing > vol 55 n° 1 (2022) . - pp 10 - 22[article]PermalinkEarly detection of spruce vitality loss with hyperspectral data: Results of an experimental study in Bavaria, Germany / Kathrin Einzmann in Remote sensing of environment, vol 266 (December 2021)PermalinkFlexible Gabor-based superpixel-level unsupervised LDA for hyperspectral image classification / Sen Jia in IEEE Transactions on geoscience and remote sensing, vol 59 n° 12 (December 2021)PermalinkMulti-model estimation of forest canopy closure by using red edge bands based on Sentinel-2 images / Yiying Hua in Forests, vol 12 n° 12 (December 2021)PermalinkBagging and boosting ensemble classifiers for classification of multispectral, hyperspectral and PolSAR data: A comparative evaluation / Hamid Jafarzadeh in Remote sensing, vol 13 n° 21 (November-1 2021)PermalinkSuperpixel-based regional-scale grassland community classification using genetic programming with Sentinel-1 SAR and Sentinel-2 multispectral images / Zhenjiang Wu in Remote sensing, vol 13 n° 20 (October-2 2021)PermalinkAdaptive edge preserving maps in Markov random fields for hyperspectral image classification / Chao Pan in IEEE Transactions on geoscience and remote sensing, vol 59 n° 10 (October 2021)PermalinkEarly detection of pine wilt disease using deep learning algorithms and UAV-based multispectral imagery / Run Yu in Forest ecology and management, vol 497 (October-1 2021)PermalinkEndmember bundle extraction based on multiobjective optimization / Rong Liu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 10 (October 2021)PermalinkField scale wheat LAI retrieval from multispectral Sentinel 2A-MSI and LandSat 8-OLI imagery: effect of atmospheric correction, image resolutions and inversion techniques / Rajkumar Dhakar in Geocarto international, vol 36 n° 18 ([01/10/2021])Permalink