Descripteur
Documents disponibles dans cette catégorie (890)
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
Spectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches / Ricardo Augusto Borsoi (2021)
Titre : Spectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches Type de document : Thèse/HDR Auteurs : Ricardo Augusto Borsoi, Auteur ; Cédric Richard, Directeur de thèse ; José Carlos Moreira Bermudez, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2021 Importance : 187 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée en vue de l'obtention du grade de docteur science pour l’ingénieur de l’Université Côte d'AzurLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de mélange spectral d’extrémités multiples
[Termes IGN] analyse linéaire des mélanges spectraux
[Termes IGN] image hyperspectrale
[Termes IGN] image multitemporelle
[Termes IGN] réseau antagoniste génératif
[Termes IGN] signature spectrale
[Termes IGN] tenseurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The spectral signatures of the materials contained in hyperspectral images, also called endmembers (EMs), can be significantly affected by variations in atmospheric, illumination or environmental conditions typically occurring within an image. Traditional spectral unmixing (SU) algorithms neglect the spectral variability of the endmembers, what propagates significant mismodeling errors throughout the whole unmixing process and compromises the quality of the estimated abundances. Therefore, significant effort have been recently dedicated to mitigate the effects of spectral variability in SU. However, many challenges still remain in how to best explore a priori information about the problem in order to improve the quality, the robustness and the efficiency of SU algorithms that account for spectral variability. In this thesis, new strategies are developed to address spectral variability in SU. First, an (over)-segmentation-based multiscale regularization strategy is proposed to explore spatial information about the abundance maps more effectively. New algorithms are then proposed for both semi-supervised and blind SU, leading to improved abundance reconstruction performance at a small computational complexity. Afterwards, three new models are proposed to represent spectral variability of the EMs in SU, using parametric, tensor, and neural network-based representations for EM spectra at each image pixel. The parametric model introduces pixel-dependent scaling factors over a reference EM matrix to model arbitrary spectral variability, while the tensor-based representation allows one to exploit the high-dimensional nature of the data by means of its underlying low-rank structure. Generative neural networks (such as variational autoencoders or generative adversarial networks) finally allow one to model the low-dimensional manifold of the spectral signatures of the materials more effectively. The proposed models are used to devise three new blind SU algorithms, and to perform data augmentation in library-based SU. Finally, we provide a brief overview of work which extends the proposed strategies to new problems in SU and in hyperspectral image analysis. This includes the use of the multiscale abundance regularization in nonlinear SU, modeling spectral variability and accounting for sudden changes when performing SU and change detection of multitemporal hyperspectral images, and also accounting for spectral variability and changes in the multimodal (i.e., hyperspectral and multispectral) image fusion problem. Note de contenu : 1- Introduction
2- Origin of linear mixing model spectral variability in hyperspectral images
3- A ultiscale spatial regularization for fast unmixing with spectral librairies
4- A data dependent multiscale model for spectral unmixing with specral variability
5- Generalized linear mixing model accounting for endmember variability
6- Low-rank tensor modeling for spectral unmixing accounting for spectral variability
7- Deep generative endmembers modeling: An application to unsupervised spectral unmixing
8- Deep generative models for library augmentation in multiple endmember spectral mixture analysis
9- And now for something different...
10- ConclusionsNuméro de notice : 28487 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : thèse de Doctorat : Sciences pour l'Ingénieur : Côte d'Azur : 2021 Organisme de stage : Laboratoire J.-L. Lagrange, Observatoire de la Côte d’Azur DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03253631/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99188 Suivi de la rotation des cultures à partir de séries temporelles d’images satellite / Félix Quinton (2021)
Titre : Suivi de la rotation des cultures à partir de séries temporelles d’images satellite Type de document : Mémoire Auteurs : Félix Quinton , Auteur ; Loïc Landrieu , Encadrant Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 49 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de stage de fin d’études Cycle des Ingénieurs diplômés de l’ENSG 3ème année, TSILangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] classification automatique
[Termes IGN] cultures
[Termes IGN] image Sentinel-MSI
[Termes IGN] parcelle agricole
[Termes IGN] politique agricole commune
[Termes IGN] recensement agricole
[Termes IGN] série temporelle
[Termes IGN] subvention
[Termes IGN] variation saisonnièreIndex. décimale : MTSI Mémoires du Master Technologies des Systèmes d'Information Résumé : (auteur) La politique agricole commune (PAC) mise en place dans les pays de l’Union Européenne est chargée de l’attribution de subventions aux agriculteurs des états membres, qui totalisent près de 50 milliards d’euros chaque année. Afin d’attribuer correctement ces subventions, il est nécessaire de recenser les types de cultures présents dans chaque parcelle tous les ans. Une automatisation du processus est donc souhaitable. Les séries temporelles d’images satellite constituent aujourd’hui la principale source de données utilisée pour la surveillance automatique de la Terre et sont de fait, la principale source de données utilisée en classification automatique. Nous proposons une nouvelle approche basée sur l’utilisation des séries temporelles d’images satellites pluriannuelles en opposition aux séries temporelles mono-année utilisées actuellement. Notre approche permet d’améliorer les performances des modèles de 7.7% par rapport aux modèles constituant l’état de l’art actuel. Dans une optique de suivit des cultures à partir d’imagerie satellite, l’utilisation de données pluriannuelles s’impose donc comme une nécessité. Note de contenu :
1- Introduction
2- Etat de l’art de la modélisation mono-annuelle des cultures agricoles
3- Etat de l’art de la modélisation pluriannuelles des cultures agricoles
4- Généralisation Temporelle
5- Modélisation Pluriannuelle
6- Analyse statistique
7- Gestion de projet
8- PerspectivesNuméro de notice : 28424 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : Lastig, IGN (Saint-Mandé) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98767 Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 28424-01 MTSI Livre Centre de documentation Travaux d'élèves Disponible Documents numériques
peut être téléchargé
Suivi de la rotation des cultures... - pdf auteur -Adobe Acrobat PDF Suivi des vignes par télédétection de proximité : le deep learning au service de l’agriculture de précision / Sami Beniaouf (2021)
Titre : Suivi des vignes par télédétection de proximité : le deep learning au service de l’agriculture de précision Type de document : Mémoire Auteurs : Sami Beniaouf, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 65 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire de Master PPMD Photogrammétrie, Positionnement et Mesure de DéformationLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse d'image orientée objet
[Termes IGN] apprentissage profond
[Termes IGN] carte de la végétation
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] géoréférencement
[Termes IGN] image captée par drone
[Termes IGN] maladie phytosanitaire
[Termes IGN] semis de points
[Termes IGN] surveillance de la végétation
[Termes IGN] Vaud (Suisse)
[Termes IGN] viticultureIndex. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) Au cours des dernières années, les progrès rapides des techniques d'apprentissage en profondeur ont considérablement accéléré l'élan de la détection d'objets, qui constitue la base de nombreuses tâches de vision par ordinateur, telles que la segmentation d'instances, la classification d'images, le suivi d'objets et bien d'autres. Ce travail s’intéresse à l’utilisation de cette technique ainsi que la photogrammétrie terrestre et la télédétection dans le domaine de la viticulture, pour l’extraction et la cartographie d’informations physiologiques lié aux vignes. Cette étude s’est orientée vers la détection de la maladie de Mildiou au moyen d’une caméra multispectrale. Le mildiou de la vigne est causé par l'organisme de type fongique Plasmopara viticola, qui se produit généralement pendant les années excessivement humides et chaudes. Le champignon provoque directement une perte de rendement par la pourriture des feuilles, des grappes et des pousses. La détection d’objets par segmentation en instances a été réalisé en utilisant le modèle d’apprentissage pré-entraîné Mask R-CNN, dont les couches de classification ont été réentraîné avec des images de vignes acquises et labélisées. La méthodologie suivie consiste en l’extraction de masques d’objets des classes d’intérêt en utilisant le modèle entraîné, qui sont ensuite importés séparément sur les images. La reconstruction du nuage de points 3D à partir d’images masquées ensuit la génération d’un nuage de point de la classe cible. En segmentant ces nuages de points par instances, le calcul des coordonnées des barycentres de ces instances sont représentés finalement sur une carte. Note de contenu :
Introduction générale
I- Introduction à la viticulture de précision
I.1- Télédétection
I.2- Optimisation du rendement
I.3- Détection de maladies
I.4- Apprentissage profond
II- Acquisition des images et méthodologie
II.1- Acquisition des images
II.2- Méthodologie
Résultats et analyseNuméro de notice : 28393 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire PPMD Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98747 Documents numériques
peut être téléchargé
Suivi des vignes par télédétection... - pdf auteur -Adobe Acrobat PDF Super-resolution of VIIRS-measured ocean color products using deep convolutional neural network / Xiaoming Liu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)
[article]
Titre : Super-resolution of VIIRS-measured ocean color products using deep convolutional neural network Type de document : Article/Communication Auteurs : Xiaoming Liu, Auteur ; Menghua Wang, Auteur Année de publication : 2021 Article en page(s) : pp 114 - 127 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse spectrale
[Termes IGN] apprentissage profond
[Termes IGN] bande infrarouge
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] couleur de l'océan
[Termes IGN] image infrarouge couleur
[Termes IGN] image multibande
[Termes IGN] image NPP-VIIRS
[Termes IGN] rayonnementRésumé : (auteur) Since its launch in October 2011, the Visible Infrared Imaging Radiometer Suite (VIIRS) onboard the Suomi National Polar-orbiting Partnership (SNPP) satellite has provided high quality global ocean color products, which include normalized water-leaving radiance spectra nLw ( λ ) of six moderate (M) bands (M1–M6) at the wavelengths of 410, 443, 486, 551, 671, and 745 nm with a spatial resolution of 750-m, and one imagery (I) band at a wavelength of 638 nm with a spatial resolution of 375-m. Because the high-resolution I-band measurements are highly correlated spectrally to those of M-band data, it can be used as a guidance to super-resolve the M-band nLw ( λ ) imagery from 750- to 375-m spatial resolution. Super-resolving images from coarse spatial resolution to finer ones have been a field of very active research in recent years. However, no previous studies have been applied to satellite ocean color remote sensing, in particular, for VIIRS ocean color applications. In this study, we employ the deep convolutional neural network (CNN) technique to glean the high-frequency content from the VIIRS I1 band and transfer to super-resolved M-band ocean color images. The network is trained to super-resolve each of the VIIRS six M-bands nLw ( λ ) separately. In our results, the super-resolved (375-m) nLw ( λ ) images are much sharper and show finer spatial structures than the original images. Quantitative evaluations show that biases between the super-resolved and original nLw ( λ ) images are small for all bands. However, errors in the super-resolved nLw ( λ ) images are wavelength-dependent. The smallest error is found in the super-resolved nLw (551) and nLw (671) images, and error increases as the wavelength decreases from 486 to 410 nm. The results show that the networks have the capability to capture the correlations of the M-band and the I1 band images to super-resolved M-band images. Numéro de notice : A2021-031 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2992912 Date de publication en ligne : 20/05/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2992912 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96726
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 1 (January 2021) . - pp 114 - 127[article]Supplementary material for: Panoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)
Titre : Supplementary material for: Panoptic segmentation of satellite image time series with convolutional temporal attention networks Type de document : Article/Communication Auteurs : Vivien Sainte Fare Garnot , Auteur ; Loïc Landrieu , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2021 Conférence : ICCV 2021, IEEE/CVF International Conference on Computer Vision 11/10/2021 17/10/2021 programme Importance : pp 1 - 8 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] contour
[Termes IGN] Pastis
[Termes IGN] Perceptron multicouche
[Termes IGN] segmentation d'image
[Termes IGN] segmentation sémantique
[Termes IGN] série temporelleRésumé : (auteur) In this appendix, we provide additional information on the PASTIS dataset and our exact model configuration. We also provide complementary qualitative experimental results. Numéro de notice : C2021-024 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98728 Voir aussiDocuments numériques
en open access
Supplementary material for: Panoptic... - pdf auteur-Adobe Acrobat PDF The challenge of robust trait estimates with deep learning on high resolution RGB images / Etienne David (2021)PermalinkThe use of deep machine learning for the automated selection of remote sensing data for the determination of areas of arable land degradation processes distribution / Dimitri I. Rukhovitch in Remote sensing, vol 13 n° 1 (January-1 2021)PermalinkPermalinkUnifying remote sensing image retrieval and classification with robust fine-tuning / Dimitri Gominski (2021)PermalinkPermalinkVectorization of historical maps using deep edge filtering and closed shape extraction / Yizi Chen (2021)PermalinkVegetation stratum occupancy prediction from airborne LiDAR 3D point clouds / Ekaterina Kalinicheva (2021)PermalinkAutomatic building footprint extraction from UAV images using neural networks / Zoran Kokeza in Geodetski vestnik, vol 64 n° 4 (December 2020 - February 2021)PermalinkCartographic generalization / Monika Sester in Journal of Spatial Information Science, JoSIS, n° 21 (2020)PermalinkA deep learning approach to improve the retrieval of temperature and humidity profiles from a ground-based microwave radiometer / Xing Yan in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)PermalinkDeep learning for detecting and classifying ocean objects: application of YoloV3 for iceberg–ship discrimination / Frederik Hass in ISPRS International journal of geo-information, vol 9 n° 12 (December 2020)PermalinkExploring the inclusion of Sentinel-2 MSI texture metrics in above-ground biomass estimation in the community forest of Nepal / Santa Pandit in Geocarto international, vol 35 n° 16 ([01/12/2020])PermalinkLearning from urban form to predict building heights / Nikola Milojevic-Dupont in Plos one, vol 15 n° 12 (December 2020)PermalinkMapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks / Felix Schiefer in ISPRS Journal of photogrammetry and remote sensing, vol 170 (December 2020)PermalinkMS-RRFSegNetMultiscale regional relation feature segmentation network for semantic segmentation of urban scene point clouds / Haifeng Luo in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)PermalinkMultistrategy ensemble regression for mapping of built-up density and height with Sentinel-2 data / Christian Geiss in ISPRS Journal of photogrammetry and remote sensing, vol 170 (December 2020)PermalinkNonlocal graph convolutional networks for hyperspectral image classification / Lichao Mou in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)PermalinkA novel intelligent classification method for urban green space based on high-resolution remote sensing images / Zhiyu Xu in Remote sensing, vol 12 n° 22 (December-1 2020)PermalinkParsing very high resolution urban scene images by learning deep ConvNets with edge-aware loss / Xianwei Zheng in ISPRS Journal of photogrammetry and remote sensing, vol 170 (December 2020)PermalinkSemantic‐based urban growth prediction / Marvin Mc Cutchan in Transactions in GIS, Vol 24 n° 6 (December 2020)PermalinkSemi-supervised PolSAR image classification based on improved tri-training with a minimum spanning tree / Shuang Wang in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)PermalinkUnderstanding the role of individual units in a deep neural network / David Bau in Proceedings of the National Academy of Sciences of the United States of America PNAS, vol 117 n° 48 (1 December 2020)PermalinkUnderstanding the synergies of deep learning and data fusion of multispectral and panchromatic high resolution commercial satellite imagery for automated ice-wedge polygon detection / Chandi Witharana in ISPRS Journal of photogrammetry and remote sensing, vol 170 (December 2020)PermalinkUnsupervised deep joint segmentation of multitemporal high-resolution images / Sudipan Saha in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)PermalinkForêt d'arbres aléatoires et classification d'images satellites : relation entre la précision du modèle d'entraînement et la précision globale de la classification / Aurélien N.G. Matsaguim in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)PermalinkActive and incremental learning for semantic ALS point cloud segmentation / Yaping Lin in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)PermalinkBayesian-deep-learning estimation of earthquake location from single-station observations / S. Mostafa Mousavi in IEEE Transactions on geoscience and remote sensing, vol 58 n° 11 (November 2020)PermalinkBayesian transfer learning for object detection in optical remote sensing images / Changsheng Zhou in IEEE Transactions on geoscience and remote sensing, vol 58 n° 11 (November 2020)PermalinkA deep learning framework for matching of SAR and optical imagery / Lloyd Haydn Hughes in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)PermalinkEvaluating geo-tagged Twitter data to analyze tourist flows in Styria, Austria / Johannes Scholz in ISPRS International journal of geo-information, vol 9 n° 11 (November 2020)PermalinkHigh-resolution remote sensing image scene classification via key filter bank based on convolutional neural network / Fengpeng Li in IEEE Transactions on geoscience and remote sensing, vol 58 n° 11 (November 2020)PermalinkLandslide susceptibility mapping using Naïve Bayes and Bayesian network models in Umyeonsan, Korea / Sunmin Lee in Geocarto international, vol 35 n° 15 ([01/11/2020])PermalinkLearning-based hyperspectral imagery compression through generative neural networks / Chubo Deng in Remote sensing, vol 12 n° 21 (November 2020)PermalinkOptimizing local geoid undulation model using GPS/levelling measurements and heuristic regression approaches / Mosbeh R. Kaloop in Survey review, vol 52 n° 375 (November 2020)PermalinkRiver ice segmentation with deep learning / Abhineet Singh in IEEE Transactions on geoscience and remote sensing, vol 58 n° 11 (November 2020)PermalinkSea surface temperature and high water temperature occurrence prediction using a long short-term memory model / Minkyu Kim in Remote sensing, vol 12 n° 21 (November 2020)PermalinkThe construction of sound speed field based on back propagation neural network in the global ocean / Junting Wang in Marine geodesy, vol 43 n° 6 (November 2020)PermalinkUrban expansion in Auckland, New Zealand: a GIS simulation via an intelligent self-adapting multiscale agent-based model / Tingting Xu in International journal of geographical information science IJGIS, vol 34 n° 11 (November 2020)PermalinkApplication of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data / Mahdi Moalla in IEEE Transactions on geoscience and remote sensing, vol 58 n° 10 (October 2020)PermalinkChoosing an appropriate training set size when using existing data to train neural networks for land cover segmentation / Huan Ning in Annals of GIS, vol 26 n° 4 (October 2020)PermalinkComparative analysis of index and chemometric techniques-based assessment of leaf area index (LAI) in wheat through field spectroradiometer, Landsat-8, Sentinel-2 and Hyperion bands / Bappa Das in Geocarto international, vol 35 n° 13 ([01/10/2020])PermalinkCompensation of geometric parameter errors for terrestrial laser scanner by integrating intensity correction / Wanli Liu in IEEE Transactions on geoscience and remote sensing, vol 58 n° 10 (October 2020)PermalinkExploring multiscale object-based convolutional neural network (multi-OCNN) for remote sensing image classification at high spatial resolution / Vitor Martins in ISPRS Journal of photogrammetry and remote sensing, vol 168 (October 2020)PermalinkGround-based remote sensing of forests exploiting GNSS signals / Leila Guerriero in IEEE Transactions on geoscience and remote sensing, vol 58 n° 10 (October 2020)PermalinkHierarchical instance recognition of individual roadside trees in environmentally complex urban areas from UAV laser scanning point clouds / Yongjun Wang in ISPRS International journal of geo-information, vol 9 n° 10 (October 2020)Permalink