Centre de documentation
scientifique

Stochastic multicriteria acceptability analysis as a forest management priority mapping approach based on airborne laser scanning and field inventory data / Parvez Rana in Landscape and Urban Planning, vol 230 (February 2023)  

Public [article]  inLandscape and Urban Planning > vol 230 (February 2023) . - n° 104637 Titre : Stochastic multicriteria acceptability analysis as a forest management priority mapping approach based on airborne laser scanning and field inventory data Type de document : Article/Communication Auteurs : Parvez Rana, Auteur ; Jari Vauhkonen, Auteur Année de publication : 2023 Article en page(s) : n° 104637 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] aide à la décision [Termes IGN] analyse multicritère [Termes IGN] classification barycentrique [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] Finlande [Termes IGN] forêt boréale [Termes IGN] gestion forestière [Termes IGN] inventaire forestier étranger (données) [Termes IGN] Picea abies [Termes IGN] Pinus sylvestris [Termes IGN] processus stochastique [Termes IGN] semis de points [Termes IGN] service écosystémique [Termes IGN] structure d'un peuplement forestier Résumé : (auteur) The mapping of ecosystem service (ES) provisioning often lacks decision-makers’ preferences on the ESs provided. Analyzing the related uncertainties can be computationally demanding for a landscape tessellated to a large number of spatial units such as pixels. We propose stochastic multicriteria acceptability analyses to incorporate (unknown or only partially known) decision-makers’ preferences into the spatial forest management prioritization in a Scandinavian boreal forest landscape. The potential of the landscape for the management alternatives was quantified by airborne laser scanning based proxies. A nearest-neighbor imputation method was applied to provide each pixel with stochastic acceptabilities on the alternatives based on decision-makers’ preferences sampled from a probability distribution. We showed that this workflow could be used to derive two types of maps for forest use prioritization: one showing the alternative that a decision-maker with given preferences should choose and another showing areas where the suitability of the forest structure suggested different alternative than the preferences. We discuss the potential of the latter approach for mapping management hotspots. The stochastic approach allows estimating the strength of the decision with respect to the uncertainty in both the proxy values and preferences. The nearest neighbor imputation of stochastic acceptabilities is a computationally feasible way to improve decisions based on ES proxy maps by accounting for uncertainties, although the need for such detailed information at the pixel level should be separately assessed. Numéro de notice : A2023-024 Affiliation des auteurs : non IGN Thématique : FORET/GEOMATIQUE Nature : Article DOI : 10.1016/j.landurbplan.2022.104637 Date de publication en ligne : 16/11/2022 En ligne : https://doi.org/10.1016/j.landurbplan.2022.104637 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102247 [article]

Generating impact maps from bomb craters automatically detected in aerial wartime images using marked point processes / Christian Kruse in ISPRS Open Journal of Photogrammetry and Remote Sensing, vol 5 (August 2022)  

Public [article]  inISPRS Open Journal of Photogrammetry and Remote Sensing > vol 5 (August 2022) Titre : Generating impact maps from bomb craters automatically detected in aerial wartime images using marked point processes Type de document : Article/Communication Auteurs : Christian Kruse, Auteur ; Dennis Wittich, Auteur ; Franz Rottensteiner, Auteur ; et al., Auteur Année de publication : 2022 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] algorithme du recuit simulé [Termes IGN] chevauchement [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection automatique [Termes IGN] échantillonnage de données [Termes IGN] Europe centrale [Termes IGN] guerre [Termes IGN] image aérienne [Termes IGN] méthode de Monte-Carlo par chaînes de Markov [Termes IGN] méthode fondée sur le noyau [Termes IGN] processus ponctuel marqué [Termes IGN] processus stochastique Résumé : (auteur) Even more than 75 years after the Second World War, numerous unexploded bombs (duds) linger in the ground and pose a considerable hazard to society. The areas containing these duds are documented in so-called impact maps, which are based on locations of exploded bombs; these locations can be found in aerial images taken shortly after bombing. To generate impact maps, in this paper we present a novel approach based on marked point processes (MPPs) for the automatic detection of bomb craters in such images, some of which are overlapping. The object model for the craters is represented by circles and is embedded in the MPP-framework. By means of stochastic sampling, the most likely configuration of objects within the scene is determined. Each configuration is evaluated using an energy function that describes the consistency with a predefined object model. High gradient magnitudes along the object borders and homogeneous grey values inside the objects are favoured, while overlaps between objects are penalized. Reversible Jump Markov Chain Monte Carlo sampling, in combination with simulated annealing, provides the global optimum of the energy function. Our procedure allows the combination of individual detection results covering the same location. Afterwards, a probability map for duds is generated from the detections via kernel density estimation and areas around the detections are classified as contaminated, resulting in an impact map. Our results, based on 74 aerial wartime images taken over different areas in Central Europe, show the potential of the method; among other findings, a clear improvement is achieved by using redundant image information. We also compared the MPP method for bomb crater detection with a state-of-of-the-art convolutional neural network (CNN) for generating region proposals; it turned out that the CNN outperforms the MPPs if a sufficient amount of representative training data is available and a threshold for a region to be considered as crater is properly tuned prior to running the experiments. If this is not the case, the MPP approach achieves better results. Numéro de notice : A2022-515 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.ophoto.2022.100017 Date de publication en ligne : 02/06/2022 En ligne : https://doi.org/10.1016/j.ophoto.2022.100017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101057 [article]

Discriminative information restoration and extraction for weakly supervised low-resolution fine-grained image recognition / Tiantian Yan in Pattern recognition, vol 127 (July 2022)  

Public [article]  inPattern recognition > vol 127 (July 2022) . - n° 108629 Titre : Discriminative information restoration and extraction for weakly supervised low-resolution fine-grained image recognition Type de document : Article/Communication Auteurs : Tiantian Yan, Auteur ; Jian Shi, Auteur ; Haojie Li, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 108629 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse discriminante [Termes IGN] arbre aléatoire minimum [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] extraction de données [Termes IGN] granularité d'image [Termes IGN] image à basse résolution [Termes IGN] image à haute résolution [Termes IGN] relation sémantique [Termes IGN] texture d'image Résumé : (auteur) The existing methods of fine-grained image recognition mainly devote to learning subtle yet discriminative features from the high-resolution input. However, their performance deteriorates significantly when they are used for low quality images because a lot of discriminative details of images are missing. We propose a discriminative information restoration and extraction network, termed as DRE-Net, to address the problem of low-resolution fine-grained image recognition, which has widespread application potential, such as shelf auditing and surveillance scenarios. DRE-Net is the first framework for weakly supervised low-resolution fine-grained image recognition and consists of two sub-networks: (1) fine-grained discriminative information restoration sub-network (FDR) and (2) recognition sub-network with the semantic relation distillation loss (SRD-loss). The first module utilizes the structural characteristic of minimum spanning tree (MST) to establish context information for each pixel by employing the spatial structures between each pixel and other pixels, which can help FDR focus on and restore the critical texture details. The second module employs the SRD-loss to calibrate recognition sub-network by transferring the correct relationships between every two pixels on the feature map. Meanwhile the SRD-loss can further prompt the FDR to recover reliable and accurate fine-grained details and guide the recognition sub-network to perceive the discriminative features from the correct relationships. Extensive experiments on three benchmark datasets and one retail product dataset demonstrate the effectiveness of our proposed framework. Numéro de notice : A2022-555 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.patcog.2022.108629 Date de publication en ligne : 06/03/2022 En ligne : https://doi.org/10.1016/j.patcog.2022.108629 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101168 [article]

A framework for urban land use classification by integrating the spatial context of points of interest and graph convolutional neural network method / Yongyang Xu in Computers, Environment and Urban Systems, vol 95 (July 2022)  

Public [article]  inComputers, Environment and Urban Systems > vol 95 (July 2022) . - n° 101807 Titre : A framework for urban land use classification by integrating the spatial context of points of interest and graph convolutional neural network method Type de document : Article/Communication Auteurs : Yongyang Xu, Auteur ; Bo Zhou, Auteur ; Shuai Jin, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 101807 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] apprentissage profond [Termes IGN] arbre aléatoire minimum [Termes IGN] distribution spatiale [Termes IGN] noeud [Termes IGN] Pékin (Chine) [Termes IGN] planification urbaine [Termes IGN] point d'intérêt [Termes IGN] réseau neuronal de graphes [Termes IGN] taxinomie [Termes IGN] trafic routier [Termes IGN] triangulation de Delaunay [Termes IGN] utilisation du sol [Termes IGN] zone urbaine Résumé : (auteur) Land-use classification plays an important role in urban planning and resource allocation and had contributed to a wide range of urban studies and investigations. With the development of crowdsourcing technology and map services, points of interest (POIs) have been widely used for recognizing urban land-use types. However, current research methods for land-use classifications have been limited to extracting the spatial relationship of POIs in research units. To close this gap, this study uses a graph-based data structure to describe the POIs in research units, with graph convolutional networks (GCNs) being introduced to extract the spatial context and urban land-use classification. First, urban scenes are built by considering the spatial context of POIs. Second, a graph structure is used to express the scenes, where POIs are treated as graph nodes. The spatial distribution relationship of POIs is considered to be the graph's edges. Third, a GCN model is designed to extract the spatial context of the scene by aggregating the information of adjacent nodes within the graph and urban land-use classification. Thus, the land-use classification can be treated as a classification on a graphic level through deep learning. Moreover, the POI spatial context can be effectively extracted during classification. Experimental results and comparative experiments confirm the effectiveness of the proposed method. Numéro de notice : A2022-460 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1016/j.compenvurbsys.2022.101807 En ligne : https://doi.org/10.1016/j.compenvurbsys.2022.101807 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100622 [article]

Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques / Jean-Yves Franceschi (2022)  

Public Titre : Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques Type de document : Thèse/HDR Auteurs : Jean-Yves Franceschi, Auteur ; Sylvain Lamprier, Directeur de thèse ; Patrick Gallinari, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 304 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse soutenue pour obtenir le grade de Docteur en Informatique de Sorbonne Université Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] apprentissage profond [Termes IGN] classification non dirigée [Termes IGN] données spatiotemporelles [Termes IGN] équation différentielle [Termes IGN] processus stochastique [Termes IGN] réseau antagoniste génératif [Termes IGN] réseau neuronal récurrent [Termes IGN] série temporelle [Termes IGN] système dynamique Index. décimale : THESE Thèses et HDR Résumé : (auteur) L'essor de l'apprentissage profond trouve notamment sa source dans les avancées scientifiques qu'il a permises en termes d'apprentissage de représentations et de modèles génératifs. Dans leur grande majorité, ces progrès ont cependant été obtenus sur des données textuelles et visuelles statiques, les données temporelles demeurant un défi pour ces méthodes. Compte tenu de leur importance pour l'automatisation croissante de multiples tâches, de plus en plus de travaux en apprentissage automatique s'intéressent aux problématiques d'évolution temporelle. Dans cette thèse, nous étudions ainsi plusieurs aspects de la temporalité et des systèmes dynamiques dans les réseaux de neurones profonds pour l'apprentissage non supervisé de représentations et de modèles génératifs. Premièrement, nous présentons une méthode générale d'apprentissage de représentations non supervisée pour les séries temporelles prenant en compte des besoins pratiques d'efficacité et de flexibilité. Dans un second temps, nous nous intéressons à l'apprentissage pour les séquences structurées de nature spatio-temporelle, couvrant les vidéos et phénomènes physiques. En les modélisant par des équations différentielles paramétrisées par des réseaux de neurones, nous montrons la corrélation entre la découverte de représentations pertinentes d'un côté, et de l'autre la fabrique de modèles prédictifs performants sur ces données. Enfin, nous analysons plus généralement dans une troisième partie les populaires réseaux antagonistes génératifs dont nous décrivons la dynamique d'apprentissage par des équations différentielles, nous permettant d'améliorer la compréhension de leur fonctionnement. Note de contenu : 1- Motivation 2- Time series representation learning 3- State-space predictive models for spatiotemporal data 4- Analysis of GANs’ training dynamics 5- Conclusion Numéro de notice : 15203 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris : 2022 DOI : sans En ligne : https://tel.hal.science/tel-03591720 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100472

Empirical comparison between stochastic and deterministic modifiers over the French Auvergne geoid computation test-bed / Ropesh Goyal in Survey review, vol 54 n° 382 (January 2022)  

Permalink

Stochastic super-resolution for downscaling time-evolving atmospheric fields with a generative adversarial network / Jussi Leinonen in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 9 (September 2021)  

Permalink

Layout graph model for semantic façade reconstruction using laser point clouds / Hongchao Fan in Geo-spatial Information Science, vol 24 n° 3 (July 2021)  

Permalink

Spectral–spatial-aware unsupervised change detection with stochastic distances and support vector machines / Rogério Galante Negri in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)  

Permalink

Study of systematic bias in measuring surface deformation with SAR interferometry / Homa Ansari in IEEE Transactions on geoscience and remote sensing, vol 59 n° 2 (February 2021)  

Permalink

Contributions to graph-based hierarchical analysis for images and 3D point clouds / Leonardo Gigli (2021)  

Permalink

Semi-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)  

Permalink

A novel spectral–spatial based adaptive minimum spanning forest for hyperspectral image classification / Jing Lv in Geoinformatica, vol 24 n° 4 (October 2020)  

Permalink

Chloroplast haplotypes of Northern red oak (Quercus rubra L.) stands in Germany suggest their origin from Northeastern Canada / Jeremias Götz in Forests, vol 11 n° 9 (September 2020)  

Permalink

Crater detection and registration of planetary images through marked point processes, multiscale decomposition, and region-based analysis / David Solarna in IEEE Transactions on geoscience and remote sensing, vol 58 n° 9 (September 2020)  

Permalink