Descripteur
Documents disponibles dans cette catégorie (877)
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
Titre : Archaeological 3D GIS Type de document : Monographie Auteurs : Nicolo Dell’Unto, Auteur ; Giacomo Landeschi, Auteur Editeur : Londres : Routledge Année de publication : 2022 Importance : 176 p. Format : 17 x 25 cm ISBN/ISSN/EAN : 978-1-00-303413-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Systèmes d'information géographique
[Termes IGN] ArcGIS
[Termes IGN] archéologie
[Termes IGN] contour
[Termes IGN] géoréférencement
[Termes IGN] GRASS
[Termes IGN] modèle numérique de surface
[Termes IGN] modélisation 3D
[Termes IGN] SIG 3D
[Termes IGN] système de gestion de base de donnéesRésumé : (éditeur) Archaeological 3D GIS provides archaeologists with a guide to explore and understand the unprecedented opportunities for collecting, visualising, and analysing archaeological datasets in three dimensions. With platforms allowing archaeologists to link, query, and analyse in a virtual, georeferenced space information collected by different specialists, the book highlights how it is possible to re-think aspects of theory and practice which relate to GIS. It explores which questions can be addressed in such a new environment and how they are going to impact the way we interpret the past. By using material from several international case studies such as Pompeii, Çatalhöyük, as well as prehistoric and protohistoric sites in Southern Scandinavia, this book discusses the use of the third dimension in support of archaeological practice. This book will be essential for researchers and scholars who focus on archaeology and spatial analysis, and is designed and structured to serve as a textbook for GIS and digital archaeology courses. Note de contenu : 1- Geographical information systems in archaeology
2- 3D models and knowledge production
3- 3D GIS in archaeology
4- Deploying 3D GIS at the Trowel's edge
5- Surface and subsurface analysis
6- 3D visibility analysis
7- Volumes
8- Future developmentsNuméro de notice : 28663 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Monographie DOI : 10.4324/9781003034131 En ligne : https://doi.org/10.4324/9781003034131 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99844
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 InformatiqueLangues : 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 sémantiqueIndex. 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 StatementNuméro 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
Titre : Deep learning-based point cloud compression Titre original : Compression de nuages de points par apprentissage profond Type de document : Thèse/HDR Auteurs : Maurice Quach, Auteur ; Frédéric Dufaux, Directeur de thèse ; Giuseppe Valenzise, Directeur de thèse Editeur : Bures-sur-Yvette : Université Paris-Saclay Année de publication : 2022 Importance : 165 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de Doctorat de l'Université de Saclay, spécialité Traitement du signal et des imagesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] attribut
[Termes IGN] compression d'image
[Termes IGN] compression de données
[Termes IGN] géométrie
[Termes IGN] semis de points
[Termes IGN] stockage de donnéesIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Point clouds are becoming essential in key applications with advances in capture technologies leading to large volumes of data.Compression is thus essential for storage and transmission.Point Cloud Compression can be divided into two parts: geometry and attribute compression.In addition, point cloud quality assessment is necessary in order to evaluate point cloud compression methods.Geometry compression, attribute compression and quality assessment form the three main parts of this dissertation.The common challenge across these three problems is the sparsity and irregularity of point clouds.Indeed, while other modalities such as images lie on a regular grid, point cloud geometry can be considered as a sparse binary signal over 3D space and attributes are defined on the geometry which can be both sparse and irregular.First, the state of the art for geometry and attribute compression methods with a focus on deep learning based approaches is reviewed.The challenges faced when compressing geometry and attributes are considered, with an analysis of the current approaches to address them, their limitations and the relations between deep learning and traditional ones.We present our work on geometry compression: a convolutional lossy geometry compression approach with a study on the key performance factors of such methods and a generative model for lossless geometry compression with a multiscale variant addressing its complexity issues.Then, we present a folding-based approach for attribute compression that learns a mapping from the point cloud to a 2D grid in order to reduce point cloud attribute compression to an image compression problem.Furthermore, we propose a differentiable deep perceptual quality metric that can be used to train lossy point cloud geometry compression networks while being well correlated with perceived visual quality and a convolutional neural network for point cloud quality assessment based on a patch extraction approach.Finally, we conclude the dissertation and discuss open questions in point cloud compression, existing solutions and perspectives. We highlight the link between existing point cloud compression research and research problems to relevant areas of adjacent fields, such as rendering in computer graphics, mesh compression and point cloud quality assessment. Note de contenu : 1- Introduction
2- State of the Art on point cloud compression
3- Convolutional neural networks for lossy PCGC
4- Deep generative model for lossless PCGC
5- Deep multiscale lossless PCGC
6- Folding-based PCAC
7- Deep perceptual point cloud quality metric
8- Convolutional Neural Network for PCQANuméro de notice : 24081 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de doctorat : Traitement du signal et des images : Paris-Saclay : 2022 Organisme de stage : Laboratoire des signaux et systèmes DOI : sans En ligne : https://theses.hal.science/tel-03894261 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102331
Titre : Detecting openings for indoor/outdoor registration Type de document : Article/Communication Auteurs : Rahima Djahel, Auteur ; Bruno Vallet , Auteur ; Pascal Monasse, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2022 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B1 Projets : 1-Pas de projet / Conférence : ISPRS 2022, Commission 1, 24th ISPRS international congress, Imaging today, foreseeing tomorrow 06/06/2022 11/06/2022 Nice France OA ISPRS Archives Importance : pp 177 - 184 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] détection d'objet
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] lancer de rayons
[Termes IGN] ouverture (bâtiment)
[Termes IGN] Ransac (algorithme)
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] segment de droite
[Termes IGN] semis de points
[Termes IGN] superposition de donnéesRésumé : (auteur) Indoor/Outdoor modeling of buildings is an important issue in the field of building life cycle management. It is seen as a joint process where the two aspects collaborate to take advantage of their semantic and geometric complementary. This global approach will allow a more complete, correct, precise and coherent reconstruction of the buildings. The first issue of such modeling is thus to precisely register this data. The lack of overlap between indoor and outdoor data is the most encountered obstacle, more so when both data sets are acquired separately and using different types of sensors. As an opening in the façade is the unique common entity that can be seen from inside and outside, it can help the registration of indoor and outdoor point clouds. So it must be automatically, accurately and efficiently extracted. In this paper, we start by proposing a very efficient algorithm to detect openings with great precision in both indoor and outdoor scans. Afterwards, we integrate them in a registration framework. As an opening is defined by a rectangular shape composed of four segments, two horizontal and two vertical, we can write our registration problem as a minimization of a global robust distance between two segment sets and propose a robust approach to minimize this distance using the RANSAC paradigm. Numéro de notice : C2022-023 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B1-2022-177-2022 Date de publication en ligne : 30/05/2022 En ligne : http://dx.doi.org/10.5194/isprs-archives-XLIII-B1-2022-177-2022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100849 Géophysique / Jacques Dubois (2022)
Titre : Géophysique : cours avec exercices corrigés Type de document : Guide/Manuel Auteurs : Jacques Dubois, Auteur ; Michel Diament , Auteur ; Jean-Pascal Cogné, Auteur Editeur : Paris : Dunod Année de publication : 2022 Collection : Sciences Sup, ISSN 1636-2217 num. 5ème édition Importance : 272 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-2-10-083926-1 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géophysique interne
[Termes IGN] anomalie de pesanteur
[Termes IGN] champ électromagnétique
[Termes IGN] figure de la Terre
[Termes IGN] géomagnétisme
[Termes IGN] levé gravimétrique
[Termes IGN] sismologie
[Termes IGN] trigonométrie sphériqueIndex. décimale : 47.10 Géophysique interne Résumé : (Editeur) Ce manuel de cours avec exercices corrigés fournit les notions de base de la physique du globe et de la géophysique fondamentale et appliquée : étude des séismes et de la propagation des ondes dans le globe terrestre, étude du champ de gravité terrestre et des anomalies gravimétriques, étude du champ magnétique terrestre et du paléomagnétisme. Des compléments sont également fournis sur la prospection électrique, sur les méthodes sismique pour la prospection et sur toute la géophysique liée à l’utilisation du radar. Quelques nouvelles études de cas sur l’utilisation de certaines techniques de géophysique dans le domaine de la géotechnique ont été ajoutées et les exercices ont été renouvelés. Note de contenu :
1. Notions de base
2. Forme de la Terre et mesures de la pesanteur
3. Anomalies gravimétriques
4. La sismologie
5. La prospection sismique
6. Le géomagnétisme
7. La prospection électrique
Annexe A - Trigonométrie sphériqueNuméro de notice : 26780 Affiliation des auteurs : non IGN Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99908 Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 26780-01 47.10 Livre Centre de documentation Géographie - Géosciences Disponible PermalinkPermalinkPhotogrammetric 3D mobile mapping of rail tracks / Philipp Glira in ISPRS Journal of photogrammetry and remote sensing, vol 183 (January 2022)PermalinkPermalinkComparative analysis for methods of building digital elevation models from topographic maps using geoinformation technologies / Vadim Belenok in Geodesy and cartography, vol 47 n° 4 (December 2021)PermalinkUn désordre complexe à modéliser / Laurent Polidori in Géomètre, n° 2197 (décembre 2021)PermalinkModelling bark volume for six commercially important tree species in France: assessment of models and application at regional scale / Rodolphe Bauer in Annals of Forest Science, vol 78 n° 4 (December 2021)PermalinkParticle swarm optimization based water index (PSOWI) for mapping the water extents from satellite images / Mohammad Hossein Gamshadzaei in Geocarto international, vol 36 n° 20 ([01/12/2021])PermalinkWhat is the impact of tectonic plate movement on country size? A long-term forecast / Kamil Maciuk in Remote sensing, vol 13 n° 23 (December-1 2021)PermalinkA method of extracting high-accuracy elevation control points from ICESat-2 altimetry data / Binbin Li in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 11 (November 2021)Permalink