Centre de documentation
scientifique

Cross-dataset learning for generalizable land use scene classification / Dimitri Gominski (2022)  

Public Titre : Cross-dataset learning for generalizable land use scene classification Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2022 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : EarthVision 2022, Large Scale Computer Vision for Remote Sensing Imagery, workshop joint to CVPR 2022 19/06/2022 24/06/2022 New Orleans Louisiane - Etats-Unis OA Proceedings Importance : pp 1382 - 1391 Note générale : bibliographie in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2022, pp. 1382-1391 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] cadre conceptuel [Termes IGN] descripteur [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] intelligence artificielle [Termes IGN] scène urbaine [Termes IGN] segmentation sémantique [Termes IGN] utilisation du sol Résumé : (auteur) Few-shot and cross-domain land use scene classification methods propose solutions to classify unseen classes or uneen visual distributions, but are hardly applicable to real-world situations due to restrictive assumptions. Few-shot methods involve episodic training on restrictive training subsets with small feature extractors, while cross-domain methods are only applied to common classes. The underlying challenge remains open: can we accurately classify new scenes on new datasets? In this paper, we propose a new framework for few-shot, cross-domain classification. Our retrieval-inspired approach exploits the interrelations in both the training and testing data to output class labels using compact descriptors. Results show that our method can accurately produce land-use predictions on unseen datasets and unseen classes, going beyond the traditional few-shot or cross-domain formulation, and allowing cross-dataset training. Numéro de notice : C2022-031 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers IEEE Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPRW56347.2022.00144 En ligne : https://openaccess.thecvf.com/content/CVPR2022W/EarthVision/papers/Gominski_Cros [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101087

Cultivating historical heritage area vitality using urban morphology approach based on big data and machine learning / Jiayu Wu in Computers, Environment and Urban Systems, vol 91 (January 2022)  

Public [article]  inComputers, Environment and Urban Systems > vol 91 (January 2022) . - n° 101716 Titre : Cultivating historical heritage area vitality using urban morphology approach based on big data and machine learning Type de document : Article/Communication Auteurs : Jiayu Wu, Auteur ; Yutian Lu, Auteur ; Hei Gao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 101716 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] apprentissage automatique [Termes IGN] Chine [Termes IGN] conservation du patrimoine [Termes IGN] distribution spatiale [Termes IGN] données massives [Termes IGN] échantillonnage de données [Termes IGN] Extreme Gradient Machine [Termes IGN] morphologie urbaine [Termes IGN] patrimoine culturel [Termes IGN] planification urbaine [Termes IGN] point d'intérêt [Termes IGN] régularisation de Tychonoff [Termes IGN] variation diurne Résumé : (auteur) The conservation of historical heritage can bring social benefits to cities by promoting community economic development and societal creativity. In the early stages of historical heritage conservation, the focus was on the museum-style concept for individual structures. At present, heritage area vitality is often adopted as a general conservation method to increase the vibrancy of such areas. However, it remains unclear whether urban morphological elements suitable for urban areas can be applied to heritage areas. This study uses ridge regression and LightGBM with multi-source big geospatial data to explore whether urban morphological elements that affect the vitality of heritage and urban areas are consistent or have different spatial distributions and daily variations. From a sample of 12 Chinese cities, our analysis shows the following results. First, factors affecting urban vitality differ from those influencing heritage areas. Second, factors influencing urban and heritage areas' vitality have diurnal variations and differ across cities. The overarching contribution of this study is to propose a quantitative and replicable framework for heritage adaptation, combining urban morphology and vitality measures derived from big geospatial data. This study also extends the understanding of forms of heritage areas and provides theoretical support for heritage conservation, urban construction, and economic development. Numéro de notice : A2022-007 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1016/j.compenvurbsys.2021.101716 Date de publication en ligne : 30/09/2021 En ligne : https://doi.org/10.1016/j.compenvurbsys.2021.101716 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99048 [article]

Deep image translation with an affinity-based change prior for unsupervised multimodal change detection / Luigi Tommaso Luppino in IEEE Transactions on geoscience and remote sensing, vol 60 n° 1 (January 2022)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 60 n° 1 (January 2022) . - n° 4700422 Titre : Deep image translation with an affinity-based change prior for unsupervised multimodal change detection Type de document : Article/Communication Auteurs : Luigi Tommaso Luppino, Auteur ; Michael Kampffmeyer, Auteur ; filipo Maria Bianchi, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 4700422 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse comparative [Termes IGN] architecture de réseau [Termes IGN] classification non dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection de changement [Termes IGN] extraction de traits caractéristiques [Termes IGN] réseau antagoniste génératif Résumé : (auteur) Image translation with convolutional neural networks has recently been used as an approach to multimodal change detection. Existing approaches train the networks by exploiting supervised information of the change areas, which, however, is not always available. A main challenge in the unsupervised problem setting is to avoid that change pixels affect the learning of the translation function. We propose two new network architectures trained with loss functions weighted by priors that reduce the impact of change pixels on the learning objective. The change prior is derived in an unsupervised fashion from relational pixel information captured by domain-specific affinity matrices. Specifically, we use the vertex degrees associated with an absolute affinity difference matrix and demonstrate their utility in combination with cycle consistency and adversarial training. The proposed neural networks are compared with the state-of-the-art algorithms. Experiments conducted on three real data sets show the effectiveness of our methodology. Numéro de notice : A2022-027 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2021.3056196 Date de publication en ligne : 17/02/2021 En ligne : https://doi.org/10.1109/TGRS.2021.3056196 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99263 [article]

Deep learning architectures for onboard satellite image analysis / Gaétan Bahl (2022)  

Public Titre : Deep learning architectures for onboard satellite image analysis Type de document : Thèse/HDR Auteurs : Gaétan Bahl, Auteur ; Florent Lafarge, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2022 Importance : 120 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse de Doctorat de l'Université Côte d’Azur, Spécialité Informatique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] analyse d'image orientée objet [Termes IGN] apprentissage profond [Termes IGN] contour [Termes IGN] détection d'objet [Termes IGN] extraction du réseau routier [Termes IGN] forêt [Termes IGN] image satellite [Termes IGN] nuage [Termes IGN] régression [Termes IGN] réseau neuronal convolutif [Termes IGN] réseau neuronal de graphes [Termes IGN] réseau neuronal récurrent [Termes IGN] segmentation sémantique Index. décimale : THESE Thèses et HDR Résumé : (Auteur) Les progrès des satellites d'observation de la Terre à haute résolution et la réduction des temps de revisite introduite par la création de constellations de satellites ont conduit à la création quotidienne de grandes quantités d'images (des centaines de Teraoctets par jour). Simultanément, la popularisation des techniques de Deep Learning a permis le développement d'architectures capables d'extraire le contenu sémantique des images. Bien que ces algorithmes nécessitent généralement l'utilisation de matériel puissant, des accélérateurs d'inférence IA de faible puissance ont récemment été développés et ont le potentiel d'être utilisés dans les prochaines générations de satellites, ouvrant ainsi la possibilité d'une analyse embarquée des images satellite. En extrayant les informations intéressantes des images satellite directement à bord, il est possible de réduire considérablement l'utilisation de la bande passante, du stockage et de la mémoire. Les applications actuelles et futures, telles que la réponse aux catastrophes, l'agriculture de précision et la surveillance du climat, bénéficieraient d'une latence de traitement plus faible, voire d'alertes en temps réel. Dans cette thèse, notre objectif est double : D'une part, nous concevons des architectures de Deep Learning efficaces, capables de fonctionner sur des périphériques de faible puissance, tels que des satellites ou des drones, tout en conservant une précision suffisante. D'autre part, nous concevons nos algorithmes en gardant à l'esprit l'importance d'avoir une sortie compacte qui peut être efficacement calculée, stockée, transmise au sol ou à d'autres satellites dans une constellation. Tout d'abord, en utilisant des convolutions séparables en profondeur et des réseaux neuronaux récurrents convolutionnels, nous concevons des réseaux neuronaux de segmentation sémantique efficaces avec un faible nombre de paramètres et une faible utilisation de la mémoire. Nous appliquons ces architectures à la segmentation des nuages et des forêts dans les images satellites. Nous concevons également une architecture spécifique pour la segmentation des nuages sur le FPGA d'OPS-SAT, un satellite lancé par l'ESA en 2019, et réalisons des expériences à bord à distance. Deuxièmement, nous développons une architecture de segmentation d'instance pour la régression de contours lisses basée sur une représentation à coefficients de Fourier, qui permet de stocker et de transmettre efficacement les formes des objets détectés. Nous évaluons la performance de notre méthode sur une variété de dispositifs informatiques à faible puissance. Enfin, nous proposons une architecture d'extraction de graphes routiers basée sur une combinaison de Fully Convolutional Networks et de Graph Neural Networks. Nous montrons que notre méthode est nettement plus rapide que les méthodes concurrentes, tout en conservant une bonne précision. Note de contenu : 1. Introduction 1.1 Context and motivation 1.2 Methods and Challenges 1.3 Contributions and outline 2. On-board image segmentation with compact networks 2.1 Introduction 2.2 Related works 2.3 Proposed architectures 2.4 Experiments on cloud segmentation 2.5 Experiments on forest segmentation 2.6 Conclusion 3. Recurrent convolutional networks for semantic segmentation 3.1 Introduction 3.2 Method 3.3 Experiments 3.4 Conclusion and future works 4. Regression of compact object contours 4.1 Introduction 4.2 Related Work 4.3 Method 4.4 Experiments 4.5 Conclusion 5. Road graph extraction 5.1 Introduction 5.2 Related Works 5.3 Method 5.4 Experiments 5.5 Limitations 5.6 Other uses of our method 5.7 Conclusion 6. Conclusion and Perspectives 6.1 Summary 6.2 Limitations and perspectives 6.3 Publications 6.4 Carbon Impact Statement Numéro de notice : 26912 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Côte d'Azur : 2022 Organisme de stage : Inria Sophia-Antipolis Méditerranée nature-HAL : Thèse DOI : sans Date de publication en ligne : 27/09/2022 En ligne : https://tel.hal.science/tel-03789667v2 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101955

Deep learning based 2D and 3D object detection and tracking on monocular video in the context of autonomous vehicles / Zhujun Xu (2022)  

Public Titre : Deep learning based 2D and 3D object detection and tracking on monocular video in the context of autonomous vehicles Type de document : Thèse/HDR Auteurs : Zhujun Xu, Auteur ; Eric Chaumette, Directeur de thèse ; Damien Vivet, Directeur de thèse Editeur : Toulouse : Université de Toulouse Année de publication : 2022 Importance : 136 p. Format : 21 x 30 cm Note générale : bibliographie Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, spécialité Informatique et Télécommunications Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] apprentissage semi-dirigé [Termes IGN] architecture de réseau [Termes IGN] détection d'objet [Termes IGN] échantillonnage de données [Termes IGN] objet 3D [Termes IGN] segmentation d'image [Termes IGN] véhicule automobile [Termes IGN] vidéo [Termes IGN] vision par ordinateur Index. décimale : THESE Thèses et HDR Résumé : (auteur) The objective of this thesis is to develop deep learning based 2D and 3D object detection and tracking methods on monocular video and apply them to the context of autonomous vehicles. Actually, when directly using still image detectors to process a video stream, the accuracy suffers from sampled image quality problems. Moreover, generating 3D annotations is time-consuming and expensive due to the data fusion and large numbers of frames. We therefore take advantage of the temporal information in videos such as the object consistency, to improve the performance. The methods should not introduce too much extra computational burden, since the autonomous vehicle demands a real-time performance.Multiple methods can be involved in different steps, for example, data preparation, network architecture and post-processing. First, we propose a post-processing method called heatmap propagation based on a one-stage detector CenterNet for video object detection. Our method propagates the previous reliable long-term detection in the form of heatmap to the upcoming frame. Then, to distinguish different objects of the same class, we propose a frame-to-frame network architecture for video instance segmentation by using the instance sequence queries. The tracking of instances is achieved without extra post-processing for data association. Finally, we propose a semi-supervised learning method to generate 3D annotations for 2D video object tracking dataset. This helps to enrich the training process for 3D object detection. Each of the three methods can be individually applied to leverage image detectors to video applications. We also propose two complete network structures to solve 2D and 3D object detection and tracking on monocular video. Note de contenu : 1- Introduction 2- Video object detection avec la heatmap propagation (propagation de carte de chaleur) 3- Video instance segmentation with instance sequence queries 4- Semi-supervised learning of monocular 3D object detection with 2D video tracking annotations 5- Conclusions and perspectives Numéro de notice : 24072 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique et Télécommunications : Toulouse : 2022 DOI : sans En ligne : https://www.theses.fr/2022ESAE0019 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102136

Deep-learning based multiple land-cover map translation / Luc Baudoux (2022)  

Permalink

Deep learning-based point cloud compression / Maurice Quach (2022)  

Permalink

Deep learning based vehicle detection in aerial imagery / Lars Wilko Sommer (2022)  

Permalink

Deep learning for anchor detection in multi-scale maps / Quentin Potié (2022)  

Permalink

Deep learning for radar data exploitation of autonomous vehicle / Arthur Ouaknine (2022)  

Permalink

Deep surface reconstruction from point clouds with visibility information / Raphaël Sulzer (2022)  

Permalink

Détection des micro et macroplastiques à partir de mesures spectrales / Martin Cubaud (2022) 

Permalink

Detection of windthrown tree stems on UAV-orthomosaics using U-Net convolutional networks / Stefan Reder in Remote sensing, vol 14 n° 1 (January-1 2022)  

Permalink

Détection des prairies de fauche et estimation des périodes de fauche par télédétection / Emma Seneschal (2022) 

Permalink

Developing the potential of airborne lidar systems for the sustainable management of forests / Karun Dayal (2022)  

Permalink