Centre de documentation
scientifique

Scaling up and evaluating surface reconstruction from point clouds of open scenes / Yanis Marchand (2022)  

Public Titre : Scaling up and evaluating surface reconstruction from point clouds of open scenes Titre original : Passage à l'échelle et évaluation de la reconstruction de surface à partir de nuage de points de scènes ouvertes Type de document : Thèse/HDR Auteurs : Yanis Marchand , Auteur ; Bruno Vallet , Directeur de thèse ; Laurent Caraffa , Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2022 Note générale : bibliographie Thèse de doctorat de l’Université Gustave Eiffel, Ecole doctorale n° 532, Math ́ematiques et Sciences et Technologies de l’Information et de la Communication (MSTIC), Spécialité de doctorat : Informatique - Unité de recherche : LASTIG (IGN) Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] informatique [Termes IGN] reconstruction d'objet [Termes IGN] scène 3D [Termes IGN] semis de points [Termes IGN] traitement réparti [Termes IGN] vision par ordinateur Index. décimale : THESE Thèses et HDR Résumé : (auteur) Cette thèse de doctorat traite de deux aspects de la reconstruction de surface à partir de nuage de points. Premièrement, elle aborde le cas large échelle où un nuage de points est trop volumineux pour être stocké dans la mémoire d'un seul ordinateur. Nous présentons un algorithme distribué de bout en bout permettant de traiter des nuages de points arbitrairement grands tout en garantissant l'étanchéité de la surface produite. Deuxièmement, cette thèse contribue à l'évaluation de la reconstruction de surface de par la définition de deux protocoles. Le premier nécessite des données synthétiques alors que le deuxième peut être mis en place en ayant uniquement recours à des données provenant de capteurs. Ces protocoles et les nouvelles métriques qui leur sont associées permettent de quantifier la qualité des reconstructions avec un biais moins important que les approches utilisées jusqu'alors. Numéro de notice : 17739 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse : Informatique : Gustave Eiffel : 2022 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://tel.hal.science/tel-04031734 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102877

Calibration & optimisation / Sébastien Rey-Coyrehourcq (2019)  

Public Titre : Calibration & optimisation Type de document : Guide/Manuel Auteurs : Sébastien Rey-Coyrehourcq, Auteur ; Etienne Delay, Auteur ; Paul Chapron , Auteur Editeur : Paris : HAL Année de publication : 2019 Importance : 59 p. Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Informatique [Termes IGN] algorithme évolutionniste [Termes IGN] optimisation (mathématiques) [Termes IGN] traitement parallèle [Termes IGN] traitement réparti Résumé : (Auteur) Cours donné le 23 juin 2019 à l'Institut des Systèmes Complexes Ile De France situé à Châtenay-sur-Seine Numéro de notice : 26294 Affiliation des auteurs : LASTIG+Ext (2016-2019) Autre URL associée : https://dx.doi.org/10.5281/zenodo.3406779 Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Manuel de cours nature-HAL : Cours DOI : 10.5281/zenodo.3406779 En ligne : https://hal.science/cel-02284550v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94998

Spatial data management in apache spark: the GeoSpark perspective and beyond / Jia Yu in Geoinformatica, vol 23 n° 1 (January 2019)  

Public [article]  inGeoinformatica > vol 23 n° 1 (January 2019) . - pp 37 - 78 Titre : Spatial data management in apache spark: the GeoSpark perspective and beyond Type de document : Article/Communication Auteurs : Jia Yu, Auteur ; Zongsi Zhang, Auteur ; Mohamed Sarwat, Auteur Année de publication : 2019 Article en page(s) : pp 37 - 78 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées [Termes IGN] analyse comparative [Termes IGN] Apache (serveur) [Termes IGN] arbre k-d [Termes IGN] arbre quadratique [Termes IGN] arbre-R [Termes IGN] données massives [Termes IGN] Hadoop [Termes IGN] index spatial [Termes IGN] performance [Termes IGN] Spark [Termes IGN] traitement réparti Résumé : (auteur) The paper presents the details of designing and developing GeoSpark, which extends the core engine of Apache Spark and SparkSQL to support spatial data types, indexes, and geometrical operations at scale. The paper also gives a detailed analysis of the technical challenges and opportunities of extending Apache Spark to support state-of-the-art spatial data partitioning techniques: uniform grid, R-tree, Quad-Tree, and KDB-Tree. The paper also shows how building local spatial indexes, e.g., R-Tree or Quad-Tree, on each Spark data partition can speed up the local computation and hence decrease the overall runtime of the spatial analytics program. Furthermore, the paper introduces a comprehensive experiment analysis that surveys and experimentally evaluates the performance of running de-facto spatial operations like spatial range, spatial K-Nearest Neighbors (KNN), and spatial join queries in the Apache Spark ecosystem. Extensive experiments on real spatial datasets show that GeoSpark achieves up to two orders of magnitude faster run time performance than existing Hadoop-based systems and up to an order of magnitude faster performance than Spark-based systems. Numéro de notice : A2019-225 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10707-018-0330-9 Date de publication en ligne : 22/10/2018 En ligne : http://dx.doi.org/10.1007/s10707-018-0330-9 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92621 [article]

Experiments to distribute and parallelize map generalization processes / Guillaume Touya in Cartographic journal (the), Vol 54 n° 4 (November 2017)  

Public [article]  inCartographic journal (the) > Vol 54 n° 4 (November 2017) . - pp 322 - 332 Titre : Experiments to distribute and parallelize map generalization processes Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Justin Berli , Auteur ; Imran Lokhat , Auteur ; Nicolas Regnauld , Auteur Année de publication : 2017 Projets : 1-Pas de projet / Article en page(s) : pp 322 - 332 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] partitionnement [Termes IGN] traitement parallèle [Termes IGN] traitement réparti [Vedettes matières IGN] Généralisation Résumé : (Auteur) Automatic map generalization requires the use of computationally intensive processes often unable to deal with large datasets. Distributing the generalization process is the only way to make them scalable and usable in practice. But map generalization is a highly contextual process, and the surroundings of a generalized map feature needs to be known to generalize the feature, which is a problem as distribution might partition the dataset and parallelize the processing of each part. This paper proposes experiments to evaluate the past propositions to distribute map generalization, and to identify the main remaining issues. The past propositions to distribute map generalization are first discussed, and then the experiment hypotheses and apparatus are described. The experiments confirmed that regular partitioning was the quickest strategy, but less effective when taking context into account. The geographical partitioning, though less effective for now, is quite promising regarding the quality of the results as it better integrates the geographical context. Numéro de notice : A2017-827 Affiliation des auteurs : LASTIG COGIT (2012-2019) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/00087041.2017.1413787 Date de publication en ligne : 19/02/2018 En ligne : https://doi.org/10.1080/00087041.2017.1413787 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89359 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
030-2017041	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Graph mapping: Multi-scale community visualization of massive graph data / David Jonker in Information visualization, vol 16 n° 3 (July 2017)  

Public [article]  inInformation visualization > vol 16 n° 3 (July 2017) Titre : Graph mapping: Multi-scale community visualization of massive graph data Type de document : Article/Communication Auteurs : David Jonker, Auteur ; Scott Langevin, Auteur ; David Giesbrecht, Auteur ; et al., Auteur Année de publication : 2017 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] graphe [Termes IGN] regroupement de données [Termes IGN] traitement réparti [Termes IGN] visualisation multiéchelle [Vedettes matières IGN] Géovisualisation Résumé : (auteur) Graph visualizations increase the perception of entity relationships in a network. However, as graph size and density increases, readability rapidly diminishes. In this article, we present an end-to-end, tile-based visual analytic approach called graph mapping that utilizes cluster computing to turn large-scale graph (node–link) data into interactive visualizations in modern web browsers. Our approach is designed for end-user analysis of community structure and relationships at macro- and micro scales. We also present the results of several experiments using alternate methods for qualitatively improving comprehensibility of hierarchical community detection visualizations by proposing constraints to state-of-the-art modularity maximization algorithms. Numéro de notice : A2017-758 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1177/1473871616661195 En ligne : https://doi.org/10.1177/1473871616661195 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89117 [article]

Distributed processing of big mobility data as spatio-temporal data streams / Zdravko Galić in Geoinformatica, vol 21 n° 2 (April - June 2017)  

Permalink

Experiments to distribute map generalization processes / Justin Berli (2017)  

Permalink

Un protocole basé sur des mobiles sécurisés pour une collecte participative de données spatiales en mobilité réellement anonyme / Dai Hai Ton That in Revue internationale de géomatique, vol 26 n° 2 (avril - juin 2016)  

Permalink

Object-Oriented Analysis, Design and Implementation / Brahma Dathan (2015)  

Permalink

Big spatial data analytics / Colin Henderson in GEO: Geoconnexion international, vol 13 n° 8 (september 2014)

Permalink

Análisis y visualización de nubes de puntos LiDAR en internet / Ivan Ulloa Enriquez (2013)  

Permalink

WebGIS performance tests / H. Dai in GIM international, vol 26 n° 1 (January 2012)

Permalink

Automated processing for map generation using web services / Moritz Neun in Geoinformatica, vol 13 n° 4 (December 2009)  

Permalink

Service chaining architectures for applications implementing distributed geographic information processing / Anders Friis-Christensen in International journal of geographical information science IJGIS, vol 23 n° 5 (may 2009)  

Permalink

TeraGrid GIScience Gateway: Bridging cyberinfrastructure and GIScience / Shaowen Wang in International journal of geographical information science IJGIS, vol 23 n° 5 (may 2009)  

Permalink