Centre de documentation
scientifique

Deep learning method for Chinese multisource point of interest matching / Pengpeng Li in Computers, Environment and Urban Systems, vol 96 (September 2022)  

Public [article]  inComputers, Environment and Urban Systems > vol 96 (September 2022) . - n° 101821 Titre : Deep learning method for Chinese multisource point of interest matching Type de document : Article/Communication Auteurs : Pengpeng Li, Auteur ; Jiping Liu, Auteur ; An Luo, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 101821 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] appariement sémantique [Termes IGN] apprentissage profond [Termes IGN] classification par Perceptron multicouche [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] extraction de traits caractéristiques [Termes IGN] inférence sémantique [Termes IGN] information sémantique [Termes IGN] point d'intérêt [Termes IGN] représentation vectorielle [Termes IGN] traitement du langage naturel Résumé : (auteur) Multisource point of interest (POI) matching refers to the pairing of POIs that refer to the same geographic entity in different data sources. This also constitutes the core issue in geospatial data fusion and update. The existing methods cannot effectively capture the complex semantic information from a text, and the manually defined rules largely affect matching results. This study developed a multisource POI matching method based on deep learning that transforms the POI pair matching problem into a binary classification problem. First, we used three different Chinese word segmentation methods to segment the POI text attributes and used the segmentation results to train the Word2Vec model to generate the corresponding word vector representation. Then, we used the text convolutional neural network (Text-CNN) and multilayer perceptron (MLP) to extract the POI attributes' features and generate the corresponding feature vector representation. Finally, we used the enhanced sequential inference model (ESIM) to perform local inference and inference combination on each attribute to realize the classification of POI pairs. We used the POI dataset containing Baidu Map, Tencent Map, and Gaode Map from Chengdu to train, verify, and test the model. The experimental results show that the matching precision, recall rate, and F1 score of the proposed method exceed 98% on the test set, and it is significantly better than the existing matching methods. Numéro de notice : A2022-513 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article DOI : 10.1016/j.compenvurbsys.2022.101821 Date de publication en ligne : 18/06/2022 En ligne : https://doi.org/10.1016/j.compenvurbsys.2022.101821 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101053 [article]

Annotation sémantique pour la géolocalisation d'entités spatiales dans des tweets / Gaëtan Caillaut (2022)  

Public Titre : Annotation sémantique pour la géolocalisation d'entités spatiales dans des tweets Type de document : Article/Communication Auteurs : Gaëtan Caillaut, Auteur ; Cécile Gracianne, Auteur ; Samuel Auclair, Auteur ; Nathalie Abadie , Auteur ; Guillaume Touya , Auteur Editeur : Orsay, Chambéry : Association Française de l'Intelligence Artificielle AFIA Année de publication : 2022 Projets : RéSoCio / Auclair, Samuel Conférence : PFIA 2022, Plate-Forme Intelligence Artificielle, Journée Résilience & IA 27/06/2022 27/06/2022 Saint-Etienne France Programme Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] données issues des réseaux sociaux [Termes IGN] entité géographique [Termes IGN] géolocalisation [Termes IGN] information sémantique [Termes IGN] représentation vectorielle [Termes IGN] Twitter [Termes IGN] zone sinistrée Résumé : (Auteur) Cet article présente une méthode d'annotation sémantique (Entity Linking) dédiée à la géolocalisation de messages postés sur les réseaux sociaux. Nous proposons une variante de l'architecture à double encodeur capable de détecter simultanément les mentions des entités présentes dans un texte et d'en calculer des représentations vectorielles ; là où les travaux récents menés dans ce domaine ne proposent que des systèmes capable de produire une représentation pour une unique entité annotée au préalable par un système tiers. Nous montrons également que, malgré la difficulté accrue de la tâche, ce système parvient à concurrencer, et même à surpasser, les systèmes à double encodeur. Numéro de notice : C2022-012 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : https://hal.inrae.fr/IGN-ENSG/hal-03682484v1 Thématique : GEOMATIQUE/SOCIETE NUMERIQUE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Date de publication en ligne : 31/05/2022 En ligne : https://hal.science/hal-03682484v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100827

A deep learning architecture for semantic address matching / Yue Lin in International journal of geographical information science IJGIS, vol 34 n° 3 (March 2020)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 34 n° 3 (March 2020) . - pp 559 - 576 Titre : A deep learning architecture for semantic address matching Type de document : Article/Communication Auteurs : Yue Lin, Auteur ; Mengjun Kang, Auteur ; Yuyang Wu, Auteur Année de publication : 2020 Article en page(s) : pp 559 - 576 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] appariement d'adresses [Termes IGN] appariement sémantique [Termes IGN] apprentissage automatique [Termes IGN] apprentissage profond [Termes IGN] géocodage par adresse postale [Termes IGN] gestion urbaine [Termes IGN] inférence sémantique [Termes IGN] représentation vectorielle [Termes IGN] réseau neuronal profond [Termes IGN] Shenzhen [Termes IGN] similitude sémantique [Termes IGN] traitement du langage naturel Résumé : (auteur) Address matching is a crucial step in geocoding, which plays an important role in urban planning and management. To date, the unprecedented development of location-based services has generated a large amount of unstructured address data. Traditional address matching methods mainly focus on the literal similarity of address records and are therefore not applicable to the unstructured address data. In this study, we introduce an address matching method based on deep learning to identify the semantic similarity between address records. First, we train the word2vec model to transform the address records into their corresponding vector representations. Next, we apply the enhanced sequential inference model (ESIM), a deep text-matching model, to make local and global inferences to determine if two addresses match. To evaluate the accuracy of the proposed method, we fine-tune the model with real-world address data from the Shenzhen Address Database and compare the outputs with those of several popular address matching methods. The results indicate that the proposed method achieves a higher matching accuracy for unstructured address records, with its precision, recall, and F1 score (i.e., the harmonic mean of precision and recall) reaching 0.97 on the test set. Numéro de notice : A2020-106 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2019.1681431 Date de publication en ligne : 24/10/2019 En ligne : https://doi.org/10.1080/13658816.2019.1681431 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94702 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
079-2020031	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Des images satellites aux cartes vectorielles / Onur Tasar (2020)  

Public Titre : Des images satellites aux cartes vectorielles Type de document : Thèse/HDR Auteurs : Onur Tasar, Auteur ; Pierre Alliez, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : bibliographie Thèse présentée en vue de l'obtention du grade de docteur en Automatique, Traitement du Signal et des Images de l'Université Côte d'Azur Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] classification dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] classification pixellaire [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] données massives [Termes IGN] données matricielles [Termes IGN] généralisation cartographique [Termes IGN] géomètrie algorithmique [Termes IGN] image aérienne [Termes IGN] image satellite [Termes IGN] maillage [Termes IGN] représentation vectorielle [Termes IGN] segmentation sémantique [Termes IGN] vectorisation Index. décimale : THESE Thèses et HDR Résumé : (auteur) With the help of significant technological developments over the years, it has been possible to collect massive amounts of remote sensing data. For example, the constellations of various satellites are able to capture large amounts of remote sensing images with high spatial resolution as well as rich spectral information over the globe. The availability of such huge volume of data has opened the door to numerous applications and raised many challenges. Among these challenges, automatically generating accurate maps has become one of the most interesting and long-standing problems, since it is a crucial process for a wide range of applications in domains such as urban monitoring and management, precise agriculture, autonomous driving, and navigation. This thesis seeks for developing novel approaches to generate vector maps from remote sensing images. To this end, we split the task into two sub-stages. The former stage consists in generating raster maps from remote sensing images by performing pixel-wise classification using advanced deep learning techniques. The latter stage aims at converting raster maps to vector ones by leveraging computational geometry approaches. This thesis addresses the challenges that are commonly encountered within both stages. Although previous research has shown that convolutional neural networks (CNNs)are able to generate excellent maps when training data are representative for test data, their performance significantly drops when there exists a large distribution difference between training and test images. In the first stage of our pipeline, we mainly aim atvercoming limited generalization abilities of CNNs to perform large-scale classification. We also explore a way of leveraging multiple data sets collected at different times with annotations for separate classes to train CNNs that can generate maps for all the classes. In the second part, we propose a method that vectorizes raster maps to integrate them into geographic information systems applications, which completes our processing pipeline. Throughout this thesis, we experiment on a large number of very high resolution satellite and aerial images. Our experiments demonstrate robustness and scalability of the proposed methods. Note de contenu : 1- Introduction 2- Progressively learning to segment new classes 3- City-to-city domain adaptation 4- Multi-source domain adaptation by data standardization 5- Multi-source, multi-target, and life-long domain adaptation 6- Vectorization of buildings via mesh approximation 7- Conclusions and perspectives Numéro de notice : 28571 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du Signal et des Images : Côte d'Azur : 2020 Organisme de stage : INRIA Sophia Antipolis nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-02989681v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97728

An efficient approach to load balancing of vector maps in cyberGIS cluster environment / Mingqiang Guo in Geomatica, vol 68 n° 2 (June 2014)  

Public [article]  inGeomatica > vol 68 n° 2 (June 2014) . - pp 129 - 134 Titre : An efficient approach to load balancing of vector maps in cyberGIS cluster environment Type de document : Article/Communication Auteurs : Mingqiang Guo, Auteur ; Ying Huang, Auteur ; Zhong Xie, Auteur Année de publication : 2014 Article en page(s) : pp 129 - 134 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] données vectorielles [Termes IGN] groupe [Termes IGN] Répartiteur de charge [Termes IGN] représentation vectorielle [Termes IGN] temps réel [Termes IGN] visualisation cartographique [Termes IGN] WebSIG Résumé : (auteur) La visualisation en temps réel de cartes vectorielles est la fonction la plus commune dans le domaine des cyberSIG. Elle est très coûteuse en temps, surtout lorsque le volume de données augmente. L’amélioration du rendement en visualisation de grandes cartes vectorielles demeure un axe de recherche important pour les scientifiques oeuvrant dans le domaine des SIG. Dans le cadre du présent article de recherche, nous signalons que l’optimisation parallèle est convenable pour la visualisation en temps réel de grandes cartes vectorielles. Le but principal de cette recherche est de trouver une méthode de décomposition équilibrée qui peut bien répartir la charge de chaque noeud de serveur dans un environnement de « cluster » de cyberSIG. Le répartiteur de charges analyse les caractéristiques spatiales des requêtes cartographiques et décompose le cône visuel en temps réel en sous-cônes visuels multiples et équilibrés, afin d’équilibrer la charge de tous les noeuds de serveurs dans l’environnement de « cluster ». Les résultats des essais montrent que la méthode proposée dans cette recherche est capable d’équilibrer les charges dans un environnement de « cluster » de cyberSIG. Numéro de notice : A2014-662 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.5623/cig2014-204 En ligne : https://doi.org/10.5623/cig2014-204 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=75358 [article]

Mon GPS en action ! / Paul Correia (2010)

Permalink

Spatial objects / R. Thompson in GIM international, vol 22 n° 7 (July 2008)

Permalink

Spot 5 pour la détection d'urbanisation / V. Lacroix in Bulletin des sciences géographiques, n° 19 (avril 2007)

Permalink

Multi-VMap: a multi-scale model for vector maps / R. Viana in Geoinformatica, vol 10 n° 3 (September - November 2006)  

Permalink

Un SIG qui cache la forêt / Anonyme in Géomatique expert, n° 36 (septembre 2004)

Permalink

Standards pour la cartographie animée sur internet / A. Danzart in Revue internationale de géomatique, vol 13 n° 1 (mars – mai 2003)  

Permalink

GIS / Michael F. Worboys (1995)

Permalink

Transcription cartographique des informations spatiales : les différentes modalités disponibles à l'IGN / Jean Denègre (1979)

Permalink