Descripteur
Termes IGN > aménagement > infrastructure > réseau technique > réseau de transport > réseau routier > échangeur routier
échangeur routier |
Documents disponibles dans cette catégorie (5)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Detecting interchanges in road networks using a graph convolutional network approach / Min Yang in International journal of geographical information science IJGIS, vol 36 n° 6 (June 2022)
![]()
[article]
Titre : Detecting interchanges in road networks using a graph convolutional network approach Type de document : Article/Communication Auteurs : Min Yang, Auteur ; Chenjun Jiang, Auteur ; Xiongfeng Yan, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 1119 - 1139 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] analyse de groupement
[Termes IGN] analyse vectorielle
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification semi-dirigée
[Termes IGN] détection d'objet
[Termes IGN] échangeur routier
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] modélisation
[Termes IGN] noeud
[Termes IGN] Pékin (Chine)
[Termes IGN] réseau neuronal de graphes
[Termes IGN] réseau routier
[Termes IGN] Wuhan (Chine)Résumé : (auteur) Detecting interchanges in road networks benefit many applications, such as vehicle navigation and map generalization. Traditional approaches use manually defined rules based on geometric, topological, or both properties, and thus can present challenges for structurally complex interchange. To overcome this drawback, we propose a graph-based deep learning approach for interchange detection. First, we model the road network as a graph in which the nodes represent road segments, and the edges represent their connections. The proposed approach computes the shape measures and contextual properties of individual road segments for features characterizing the associated nodes in the graph. Next, a semi-supervised approach uses these features and limited labeled interchanges to train a graph convolutional network that classifies these road segments into an interchange and non-interchange segments. Finally, an adaptive clustering approach groups the detected interchange segments into interchanges. Our experiment with the road networks of Beijing and Wuhan achieved a classification accuracy >95% at a label rate of 10%. Moreover, the interchange detection precision and recall were 79.6 and 75.7% on the Beijing dataset and 80.6 and 74.8% on the Wuhan dataset, respectively, which were 18.3–36.1 and 17.4–19.4% higher than those of the existing approaches based on characteristic node clustering. Numéro de notice : A2022-404 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2021.2024195 Date de publication en ligne : 11/03/2022 En ligne : https://doi.org/10.1080/13658816.2021.2024195 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100716
in International journal of geographical information science IJGIS > vol 36 n° 6 (June 2022) . - pp 1119 - 1139[article]Deep learning for enrichment of vector spatial databases: Application to highway interchange / Guillaume Touya in ACM Transactions on spatial algorithms and systems, TOSAS, vol 6 n° 3 (May 2020)
![]()
![]()
[article]
Titre : Deep learning for enrichment of vector spatial databases: Application to highway interchange Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Imran Lokhat
, Auteur
Année de publication : 2020 Projets : 1-Pas de projet / Article en page(s) : 21 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] apprentissage profond
[Termes IGN] base de données vectorielles
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] échangeur routier
[Termes IGN] enrichissement sémantique
[Termes IGN] reconnaissance d'objets
[Termes IGN] segmentation d'imageRésumé : (auteur) Spatial analysis and pattern recognition with vector spatial data is particularly useful to enrich raw data. In road networks, for instance, there are many patterns and structures that are implicit with only road line features, among which highway interchange appeared very complex to recognize with vector-based techniques. The goal is to find the roads that belong to an interchange, such as the slip roads and the highway roads connected to the slip roads. To go further than state-of-the-art vector-based techniques, this article proposes to use raster-based deep learning techniques to recognize highway interchanges. The contribution of this work is to study how to optimally convert vector data into small images suitable for state-of-the-art deep learning models. Image classification with a convolutional neural network (i.e., is there an interchange in this image or not?) and image segmentation with a u-net (i.e., find the pixels that cover the interchange) are experimented and give better results than existing vector-based techniques in this specific use case (99.5% against 74%). Numéro de notice : A2020-365 Affiliation des auteurs : LASTIG COGIT (2012-2019) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1145/3382080 Date de publication en ligne : 01/04/2020 En ligne : https://doi.org/10.1145/3382080 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95399
in ACM Transactions on spatial algorithms and systems, TOSAS > vol 6 n° 3 (May 2020) . - 21 p.[article]Documents numériques
peut être téléchargé
Deep learning for enrichment of vector spatial databases ... - preprintAdobe Acrobat PDFA Pattern-based approach for matching nodes in heterogeneous urban road networks / Yang Bisheng in Transactions in GIS, vol 18 n° 5 (October 2014)
![]()
[article]
Titre : A Pattern-based approach for matching nodes in heterogeneous urban road networks Type de document : Article/Communication Auteurs : Yang Bisheng, Auteur ; Xuechen Luan, Auteur ; Y. Zhang, Auteur Année de publication : 2014 Article en page(s) : pp 718 – 739 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] appariement de données localisées
[Termes IGN] échangeur routier
[Termes IGN] géomatique
[Termes IGN] géopositionnement
[Termes IGN] niveau de détail
[Termes IGN] réseau routier
[Termes IGN] système de référence géodésiqueRésumé : (Auteur) This article presents an approach to hierarchical matching of nodes in heterogeneous road networks in the same urban area. Heterogeneous road networks not only exist at different levels of detail (LoD), but also have different coordinate systems, leading to difficulties in matching and integrating them. To overcome these difficulties, a pattern-based method was implemented. Based on the authors' previous work on detecting patterns of divided highways, complex road junctions, and strokes to eliminate the LoD effect of road networks, the proposed method extracts the local networks around each node in a road network and uses them as the matching units for the nodes. Second, the degree of shape similarity between the matching units is measured using a Minimum Road Edit Distance based on a transformation. Finally, the proposed method hierarchically matches the nodes in a road network using the Minimum Road Edit Distance and eliminates false matching nodes using M-estimators. An experiment involving matching heterogeneous road networks with different LoDs and coordinate systems was carried out to verify the validity of the proposed method. The method achieves good and effective matching regardless of differences in LoDs and road-network coordinate systems. Numéro de notice : A2014-511 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12057 Date de publication en ligne : 07/10/2013 En ligne : https://doi.org/10.1111/tgis.12057 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=74111
in Transactions in GIS > vol 18 n° 5 (October 2014) . - pp 718 – 739[article]A road network selection process based on data enrichment and structure detection / Guillaume Touya in Transactions in GIS, vol 14 n° 5 (October 2010)
![]()
![]()
[article]
Titre : A road network selection process based on data enrichment and structure detection Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur
Année de publication : 2010 Article en page(s) : pp 595 - 614 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] carrefour
[Termes IGN] Clarity (plateforme de généralisation)
[Termes IGN] échangeur routier
[Termes IGN] généralisation de base de données
[Termes IGN] prise en compte du contexte
[Termes IGN] réseau routier
[Termes IGN] théorie des graphes
[Vedettes matières IGN] GénéralisationRésumé : (Auteur) In the context of geographical database generalization, this article deals with a generic process for road network selection. It is based on the geographical context, which is made explicit, and on the preservation of characteristic structure. It relies on literature that is adapted and collected. The first step is to detect significant structures and patterns of the road network such as roundabouts or highway interchanges. It allows the initial dataset to be enriched with explicit geographic structures that were implicit in the initial data. It helps both to make the geographical context explicit and to preserve characteristic structures. Then this enrichment is used as knowledge input for the following step: that is, the selection of roads in rural areas using graph theory techniques. After that, urban roads are selected by means of a block aggregation complex algorithm. Continuity between urban and rural areas is guaranteed by modelling continuity using strokes. Finally, the previously detected characteristic structures are typified to maintain their properties in the selected network. This automated process has been fully implemented on Clarity™ and tested on large datasets. Numéro de notice : A2010-639 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/j.1467-9671.2010.01215.x Date de publication en ligne : 23/11/2010 En ligne : https://doi.org/10.1111/j.1467-9671.2010.01215 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90688
in Transactions in GIS > vol 14 n° 5 (October 2010) . - pp 595 - 614[article]Documents numériques
peut être téléchargé
A Road Network Selection Process - preprintAdobe Acrobat PDFDétection et généralisation des échangeurs routiers dans une base de données cartographiques vectorielles / Nicolas Culson (2006)
Titre : Détection et généralisation des échangeurs routiers dans une base de données cartographiques vectorielles Type de document : Mémoire Auteurs : Nicolas Culson, Auteur Editeur : Paris : Université de Paris 6 Pierre et Marie Curie Année de publication : 2006 Importance : 86 p. Format : 21 x 30 cm Note générale : bibliographie
Master Informatique Appliquée aux Systèmes d’Information GéographiqueLangues : Français (fre) Descripteur : [Termes IGN] arc
[Termes IGN] base de données localisées
[Termes IGN] base de données vectorielles
[Termes IGN] BD Topo
[Termes IGN] détection d'objet
[Termes IGN] échangeur routier
[Termes IGN] Java (langage de programmation)
[Vedettes matières IGN] GénéralisationIndex. décimale : MIASIG DESS AIST et du master Informatique appliquée aux SIG jusqu'en 2014 Résumé : (auteur) [présentation] Le présent stage s’intitule « Détection et généralisation automatique des échangeurs routiers ». Son objectif est de réaliser un traitement des données topographiques de la base de données BDTopo de l’IGN, et plus particulièrement de généraliser ces données. Ce travail consiste à détecter et à généraliser les échangeurs routiers présents dans la base. Il faut donc dans un premier temps, regrouper les critères qui permettent de savoir si on a bien à faire à un échangeur ou pas. Il est dès lors possible de procéder à une modélisation de ces échangeurs, puis de mettre au point des algorithmes permettant de les détecter. Ces échangeurs, initialement présents dans la base de donnée, mais implicitement car uniquement par l’intermédiaire des tronçons routiers qui les composent, peuvent alors être explicités. Il s’agit du processus d’enrichissement de la base de données, nécessaire à sa généralisation. Les échangeurs une fois présents dans le schéma de données, il s’agit ensuite de les généraliser, et ce, en fonction des besoins de l’utilisateur (entre autres les spécifications de la base de données d’arrivée). Les algorithmes écrits pour effectuer ces différentes tâches doivent être implémentés dans le SIG Clarity, ce qui implique de coder en JAVA. Les données sont traitées à partir du SGBD Gothic. Ces deux aspects permettent de conserver une compatibilité de ces nouvelles tâches avec celles déjà effectuées au COGIT. Note de contenu : 1. Présentation
1.1. Le laboratoire COGIT
1.2. La généralisation
1.3. La généralisation au COGIT
1.4. Le sujet du stage
2. Etape de réflexion et de modélisation
2.1. Présentation des concepts
2.2. Modélisation
2.3. Proposition de méthodes pour la détection
2.4. Proposition de méthodes pour la généralisation
3. Etape de détection des échangeurs
3.1. Méthode de création de cluster de carrefours en forme de Y
3.2. Les limites de la méthode
3.3. Du cluster vers l’échangeur
3.4. Les tronçons de routes de l’échangeur
4. Etape de généralisation des échangeurs
4.1. Création des clusters : classification ascendante hiérarchique
4.2. Utilisation des clusters pour la généralisation
5. Résultats
5.1. Résultats de la détection
5.1.1. Effet de l’angle de fourche du carrefour en Y
5.1.2. Effet du seuil de distance
5.1.3. Prise en compte des bâtiments
5.1.4. Autres problèmes rencontrés
5.2. Résultats de la généralisation
6. ConclusionNuméro de notice : 17486 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Mémoire masters divers Organisme de stage : COGIT (IGN) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89756 Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 17486-01 MIASIG Livre Centre de documentation En réserve Mezzanine Exclu du prêt