Descripteur
Documents disponibles dans cette catégorie (1401)
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
Détection de fenêtres dans un nuage de points de façade et positionnement semi-automatique dans un logiciel BIM / Julie Thierry (2019)
Titre : Détection de fenêtres dans un nuage de points de façade et positionnement semi-automatique dans un logiciel BIM Type de document : Mémoire Auteurs : Julie Thierry, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2019 Format : 21 x 30 cm Note générale : bibliographie
Mémoire de soutenance de diplôme d'ingénieur INSA, TopographieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] détection automatique
[Termes IGN] détection d'objet
[Termes IGN] détection de contours
[Termes IGN] fenêtre (bâtiment)
[Termes IGN] maquette numérique
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] musée
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Le domaine de la modélisation des Informations du Bâtiment (BIM) a connu de nombreux progrès technologiques au cours des dernières années. A travers une maquette numérique, le BIM stocke toutes les informations d’un bâtiment et peut être utilisé pour de multiples applications. L’évolution des technologies tels que les scanners laser permettent de reconstituer en 3D un bâtiment en vue d’une modélisation BIM. Une multitude de données précises se trouve ainsi accessible de façon rapide. Cependant, le passage du nuage de points à la maquette reste une étape difficile à automatiser. Les défis d’aujourd’hui sont d’actualiser la méthode manuelle en développant un processus automatique dédié à la modélisation des maquettes numériques directement à partir du nuage de points. Cette problématique amène donc à expliquer les divers travaux appliqués aux traitements permettant d’extraire automatiquement le maximum d’informations du nuage de points. Nous nous intéressons plus particulièrement à la détection des fenêtres d’un bâtiment, car l’objectif de ce projet de fin d’études est de participer à l’automatisation de la création de maquette numérique en y intégrant un processus automatisé pour insérer les fenêtres. Nous présentons dans un premier temps un état de l’art sur les différentes méthodes de détection des fenêtres dans les nuages de points. Puis, nous détaillerons la méthode développée au cours de ce projet en considérant les nuages de points du musée zoologique de Strasbourg comme données de base. Le projet se divise en trois parties. La première se rapporte à la détection des ouvertures dans les nuages de points. Dans la seconde partie, nous soumettons une solution d’insertion semi-automatique des fenêtres dans un logiciel BIM à travers la réalisation d’une maquette numérique du musée zoologique. Enfin, nous évaluerons les résultats de la détection et de l’insertion afin de valider notre approche. Note de contenu : 1- Etat de l'Art
2- Détection de fenêtres
3- Insertion semi-automatique
4- Evaluation des résultats
Conclusion du projetNuméro de notice : 28540 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : ICube DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/3822/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97380 Enrichissement d'orthophotographie par des données OpenStreetMap pour l'apprentissage machine / Gauthier Fillières-Riveau (2019)
Titre : Enrichissement d'orthophotographie par des données OpenStreetMap pour l'apprentissage machine Type de document : Article/Communication Auteurs : Gauthier Fillières-Riveau , Auteur ; Vincent Barra, Auteur ; Jean-Marie Favreau, Auteur ; Guillaume Touya , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2019 Projets : 1-Pas de projet / Conférence : SAGEO 2019, Spatial Analysis and GEOmatics 13/11/2019 15/11/2019 Clermont-Ferrand France Open Access Proceedings Importance : pp 71 - 83 Format : 21 x 30 cm Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage profond
[Termes IGN] données localisées des bénévoles
[Termes IGN] enrichissement sémantique
[Termes IGN] OpenStreetMap
[Termes IGN] orthoimage
[Termes IGN] segmentation sémantiqueRésumé : (Auteur) Les données géographiques présentes dans OpenStreetMap (OSM), décrites à la fois par leur géométrie et de la sémantique, constituent une source d'information essentielle à la fabrication de cartes en relief pour déficients visuels. Cependant, à l'échelle du carrefour, les détails géométriques nécessaires à la modélisation de certains éléments ne sont pas disponibles. L'utilisation de l'imagerie aérienne constitue une source d'information complémentaire, mais impose un traitement d'image sophistiqué. Dans cet article, nous proposons une approche basée sur l'apprentissage profond (réseau adverse génératif conditionnel), en enrichissant les informations présentes dans les orthophotographies par des données sémantiques et géométriques issues d'OSM. Afin de mesurer l'influence de cet enrichissement, nous présentons les résultats de deux séries d'apprentissage, avec et sans enrichissement. Numéro de notice : C2019-026 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://hal.science/hal-02279628 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94457 Documents numériques
en open access
Enrichissement d'orthophotographie par des données OpenStreetMap ... - pdf éditeurAdobe Acrobat PDF
Titre : Ensemble methods for pedestrian detection in dense crowds Type de document : Thèse/HDR Auteurs : Jennifer Vandoni, Auteur ; Sylvie Le Hégarat-Mascle, Directeur de thèse Editeur : Paris-Orsay : Université de Paris 11 Paris-Sud Centre d'Orsay Année de publication : 2019 Importance : 182 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Université Paris-Saclay, Sciences et technologies de l’information et de la communication (STIC), Spécialité : Traitement du Signal et des ImagesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algorithme d'apprentissage
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] comportement
[Termes IGN] densité de population
[Termes IGN] détection de piéton
[Termes IGN] données multicapteurs
[Termes IGN] étalonnage
[Termes IGN] fusion de données
[Termes IGN] taxinomie
[Termes IGN] théorie de Dempster-ShaferIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The interest surrounding the study of crowd phenomena spanned during the last decade across multiple fields, including computer vision, physics, sociology, simulation and visualization. There are different levels of granularity at which crowd studies can be performed, namely a finer microanalysis, aimed to detect and then track each pedestrian individually; and a coarser macro-analysis, aimed to model the crowd as a whole.
One of the most difficult challenges when working with human crowds is that usual pedestrian detection methodologies do not scale well to the case where only heads are visible, for a number of reasons such as absence of background, high visual homogeneity, small size of the objects, and heavy occlusions. For this reason, most micro-analysis studies by means of pedestrian detection and tracking methodologies are performed in low to medium-density crowds, whereas macro-analysis through density estimation and people counting is more suited in presence of high-density crowds, where the exact position of each individual is not necessary. Nevertheless, in order to analyze specific events involving high-density crowds for monitoring the flow and preventing disasters such as stampedes, a complete understanding of the scene must be reached. This study deals with pedestrian detection in high-density crowds from a monocamera system, striving to obtain localized detections of all the individuals which are part of an extremely dense crowd. The detections can be then used both to obtain robust density estimation, and to initialize a tracking algorithm. In presence of difficult problems such as our application, supervised learning techniques are well suited. However, two different questions arise, namely which classifier is the most adapted for the considered environment, and which data to use to learn from. We cast the detection problem as a Multiple Classifier System (MCS), composed by two different ensembles of classifiers, the first one based on SVM (SVM-ensemble) and the second one based on CNN (CNN-ensemble), combined relying on the Belief Function Theory (BFT) designing a fusion method which is able to exploit their strengths for pixel-wise classification. SVM-ensemble is composed by several SVM detectors based on different gradient, texture and orientation descriptors, able to tackle the problem from different perspectives. BFT allows us to take into account the imprecision in addition to the uncertainty value provided by each classifier, which we consider coming from possible errors in the calibration procedure and from pixel neighbor’s heterogeneity in the image space due to the close resolution of the target (head) and
descriptor respectively. However, scarcity of labeled data for specific dense crowd contexts reflects in the impossibility to easily obtain robust training and validation sets. By exploiting belief functions directly derived
from the classifiers’ combination, we therefore propose an evidential Query-by-Committee (QBC) active learning algorithm to automatically select the most informative training samples. On the other side, we explore deep learning techniques by casting the problem as a segmentation task in presence of soft labels, with a fully convolutional network architecture designed to recover small objects (heads) thanks to a tailored use of dilated convolutions. In order to obtain a pixel-wise measure of reliability about the network’s predictions, we create a CNN-ensemble by means of dropout at inference time, and we combine the different obtained realizations in the
context of BFT. To conclude, we show that the dense output map given by the MCS can be employed not only
for pedestrian detection at microscopic level, but also to perform macroscopic analysis, bridging the gap between the two levels of granularity. We therefore finally focus our attention to people counting, proposing an evaluation method that can be applied at every scale, resulting to be more precise in the error and uncertainty evaluation (disregarding possible compensations) as well as more useful for the modeling community that could use it to improve and validate local density estimation.Note de contenu : 1- Crowd understanding
2- Supervised learning and classifier combination
3- SVM descriptors for pedestrian detection in high-density crowds
4- Taking into account imprecision with Belief Function Framework
5- Evidential QBC Active Learning
6- CNNs for pedestrian detection in high-density crowds
7- CNN-ensemble and evidential Multiple Classifier System
8- Density Estimation
ConclusionNuméro de notice : 25704 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du Signal et des Images : Paris 11 : 2019 Organisme de stage : Systèmes et applications des technologies de l'information et de l'énergie (Paris) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-02318892/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94838 Estimation de profondeur à partir d'images monoculaires par apprentissage profond / Michel Moukari (2019)
Titre : Estimation de profondeur à partir d'images monoculaires par apprentissage profond Type de document : Thèse/HDR Auteurs : Michel Moukari, Auteur ; Frédéric Jurie, Directeur de thèse Editeur : Caen [France] : Université de Caen Normandie Année de publication : 2019 Importance : 182 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse pour obtenir le diplôme de Doctorat, Spécialité Informatique, préparée au sein de l'Université Caen NormandieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] acuité stéréoscopique
[Termes IGN] analyse multiéchelle
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] carte de profondeur
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] compréhension de l'image
[Termes IGN] données lidar
[Termes IGN] image 3D
[Termes IGN] image RVB
[Termes IGN] incertitude des données
[Termes IGN] traitement d'image
[Termes IGN] vision monoculaire
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La vision par ordinateur est une branche de l'intelligence artificielle dont le but est de permettre à une machine d'analyser, de traiter et de comprendre le contenu d'images numériques. La compréhension de scène en particulier est un enjeu majeur en vision par ordinateur. Elle passe par une caractérisation à la fois sémantique et structurelle de l'image, permettant d'une part d'en décrire le contenu et, d'autre part, d'en comprendre la géométrie. Cependant tandis que l'espace réel est de nature tridimensionnelle, l'image qui le représente, elle, est bidimensionnelle. Une partie de l'information 3D est donc perdue lors du processus de formation de l'image et il est d'autant plus complexe de décrire la géométrie d'une scène à partir d'images 2D de celle-ci.Il existe plusieurs manières de retrouver l'information de profondeur perdue lors de la formation de l'image. Dans cette thèse nous nous intéressons à l’estimation d'une carte de profondeur étant donné une seule image de la scène. Dans ce cas, l'information de profondeur correspond, pour chaque pixel, à la distance entre la caméra et l'objet représenté en ce pixel. L'estimation automatique d'une carte de distances de la scène à partir d'une image est en effet une brique algorithmique critique dans de très nombreux domaines, en particulier celui des véhicules autonomes (détection d’obstacles, aide à la navigation).Bien que le problème de l'estimation de profondeur à partir d'une seule image soit un problème difficile et intrinsèquement mal posé, nous savons que l'Homme peut apprécier les distances avec un seul œil. Cette capacité n'est pas innée mais acquise et elle est possible en grande partie grâce à l'identification d'indices reflétant la connaissance a priori des objets qui nous entourent. Par ailleurs, nous savons que des algorithmes d'apprentissage peuvent extraire ces indices directement depuis des images. Nous nous intéressons en particulier aux méthodes d’apprentissage statistique basées sur des réseaux de neurones profond qui ont récemment permis des percées majeures dans de nombreux domaines et nous étudions le cas de l'estimation de profondeur monoculaire. Note de contenu : 1- Introduction
2- État de l’art
3- Influence des hyperparamètres
4- Analyse multi-échelle
5- Évaluation de l’incertitude prédictive
6- Complétion de profondeur et estimation de confiance
7- Conclusions et perspectivesNuméro de notice : 25834 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Caen-Normandie : 2019 nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-02426260/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95172 Evaluating SAR-optical sensor fusion for aboveground biomass estimation in a Brazilian tropical forest / Aline Bernarda Debastiani in Annals of forest research, vol 62 n° 1 (January - June 2019)
[article]
Titre : Evaluating SAR-optical sensor fusion for aboveground biomass estimation in a Brazilian tropical forest Type de document : Article/Communication Auteurs : Aline Bernarda Debastiani, Auteur ; Carlos Roberto Sanquetta, Auteur ; Ana Paula Dalla Corte, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 109 - 122 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] Amazonie
[Termes IGN] apprentissage automatique
[Termes IGN] arbre aléatoire
[Termes IGN] bande C
[Termes IGN] biomasse aérienne
[Termes IGN] Brésil
[Termes IGN] forêt tropicale
[Termes IGN] fusion d'images
[Termes IGN] image radar moirée
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] réseau neuronal convolutifRésumé : (auteur) The aim of the present study is to evaluate the potential of C-band SAR data from the Sentinel-1/2 instruments and machine learning algorithms for the estimation of forest above ground forest biomass (AGB) in a high-biomass tropical ecosystem. This study was carried out in Jamari National Forest, located in the Brazilian Amazon. The response variable was AGB (Mg/ha) estimated from airborne laser surveys. The following treatments were considered as model predictors: 1) Sentinel-1 Sigma 0 at VV and VH polarizations; 2) (1) plus Sentinel-1 textural metrics; 3) (2) plus Sentinel-2 bands and derived vegetation indices (LAI, RVI, SAVI, NDVI).Our modeling design estimated the relative importance of SAR vs. optical variables in explaining AGB. The modeling was performed with twelve machine-learning algorithms including, neural network and regression tree. The addition of texture and optical data provided a noticeable improvement (3%) over models with SAR backscatter only. The best model performance was achieved with the Random Tree algorithm. Our results demonstrate the potential of freely-available SAR data and machine learning for mapping AGB in tropical ecosystems. Numéro de notice : A2019-335 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.15287/afr.2018.1267 Date de publication en ligne : 30/07/2019 En ligne : http://dx.doi.org/10.15287%2Fafr.2018.1267 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93349
in Annals of forest research > vol 62 n° 1 (January - June 2019) . - pp 109 - 122[article]PermalinkPermalinkPermalinkHyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing / Minrui Zheng in International journal of geographical information science IJGIS, Vol 33 n° 1-2 (January - February 2019)PermalinkPermalinkPermalinkLeast squares support vector machine model for coordinate transformation / Yao Yevenyo Ziggah in Geodesy and cartography, vol 45 n° 1 (2019)PermalinkMachine learning and geographic information systems for large-scale mapping of renewable energy potential / Dan Assouline (2019)PermalinkPermalinkMachine learning techniques applied to geoscience information system and remote sensing / Saro Lee (2019)PermalinkMéthodes d'apprentissage statistique pour la détection de la signalisation routière à partir de véhicules traceurs / Yann Méneroux (2019)PermalinkMéthodes d'exploitation de données historiques pour la production de cartes d'occupation des sols à partir d'images de télédétection et en absence de données de référence de la période à cartographier / Benjamin Tardy (2019)PermalinkA multi-faceted CNN architecture for automatic classification of mobile LiDAR data and an algorithm to reproduce point cloud samples for enhanced training / Bhavesh Kumar in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)PermalinkMultitemporal SAR images denoising and change detection : applications to Sentinel-1 data / Weiying Zhao (2019)PermalinkNumérique et territoires / Philippe Cohard (2019)PermalinkPermalinkProjection sur l’évolution de la distribution future de la population en utilisant du Machine Learning et de la géosimulation / Julie Grosmaire (2019)PermalinkPermalinkSegmentation d'image par intégration itérative de connaissances / Mahaman Sani Chaibou Salaou (2019)PermalinkSemantic aware quality evaluation of 3D building models : Modeling and simulation / Oussama Ennafii (2019)Permalink