Centre de documentation
scientifique

Dépouillements

Scene context-driven vehicle detection in high-resolution aerial images / Chao Tao in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > Vol 57 n° 10 (October 2019) . - pp 7339 - 7351 Titre : Scene context-driven vehicle detection in high-resolution aerial images Type de document : Article/Communication Auteurs : Chao Tao, Auteur ; Li Mi, Auteur ; Yansheng Li, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 7339 - 7351 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] classification orientée objet [Termes IGN] détection d'objet [Termes IGN] image à haute résolution [Termes IGN] image aérienne [Termes IGN] objet mobile [Termes IGN] véhicule automobile Résumé : (auteur) As the spatial resolution of remote sensing images is improving gradually, it is feasible to realize “scene-object” collaborative image interpretation. Unfortunately, this idea is not fully utilized in vehicle detection from high-resolution aerial images, and most of the existing methods may be promoted by considering the variability of vehicle spatial distribution in different image scenes and treating vehicle detection tasks scene-specific. With this motivation, a scene context-driven vehicle detection method is proposed in this paper. At first, we perform scene classification using the deep learning method and, then, detect vehicles in roads and parking lots separately through different vehicle detectors. Afterward, we further optimize the detection results using different postprocessing rules according to different scene types. Experimental results show that the proposed approach outperforms the state-of-the-art algorithms in terms of higher detection accuracy rate and lower false alarm rate. Numéro de notice : A2019-535 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2912985 Date de publication en ligne : 03/06/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2912985 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94131 [article]

Saliency-guided deep neural networks for SAR image change detection / Jie Geng in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > Vol 57 n° 10 (October 2019) . - pp 7365 - 7377 Titre : Saliency-guided deep neural networks for SAR image change detection Type de document : Article/Communication Auteurs : Jie Geng, Auteur ; Xiaorui Ma, Auteur ; Xiaojun Zhou, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 7365 - 7377 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] analyse d'image orientée objet [Termes IGN] classification floue [Termes IGN] classification non dirigée [Termes IGN] classification par réseau neuronal [Termes IGN] détection de changement [Termes IGN] échantillonnage d'image [Termes IGN] extraction de traits caractéristiques [Termes IGN] filtre de déchatoiement [Termes IGN] image radar moirée [Termes IGN] logique floue [Termes IGN] occupation du sol [Termes IGN] saillance [Termes IGN] télédétection en hyperfréquence Mots-clés libres : hierarchical fuzzy C-means clustering (HFCM) Résumé : (auteur) Change detection is an important task to identify land-cover changes between the acquisitions at different times. For synthetic aperture radar (SAR) images, inherent speckle noise of the images can lead to false changed points, which affects the change detection performance. Besides, the supervised classifier in change detection framework requires numerous training samples, which are generally obtained by manual labeling. In this paper, a novel unsupervised method named saliency-guided deep neural networks (SGDNNs) is proposed for SAR image change detection. In the proposed method, to weaken the influence of speckle noise, a salient region that probably belongs to the changed object is extracted from the difference image. To obtain pseudotraining samples automatically, hierarchical fuzzy C-means (HFCM) clustering is developed to select samples with higher probabilities to be changed and unchanged. Moreover, to enhance the discrimination of sample features, DNNs based on the nonnegative- and Fisher-constrained autoencoder are applied for final detection. Experimental results on five real SAR data sets demonstrate the effectiveness of the proposed approach. Numéro de notice : A2019-536 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2913095 Date de publication en ligne : 19/05/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2913095 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94154 [article]

Landsats 1–5 multispectral scanner system sensors radiometric calibration update / Cibele Teixeira-Pinto in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > Vol 57 n° 10 (October 2019) . - pp 7378 - 7394 Titre : Landsats 1–5 multispectral scanner system sensors radiometric calibration update Type de document : Article/Communication Auteurs : Cibele Teixeira-Pinto, Auteur ; Obaidul Haque, Auteur ; Esad Micijevic, Auteur ; Dennis L. Helder, Auteur Année de publication : 2019 Article en page(s) : pp 7378 - 7394 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s) [Termes IGN] Arizona (Etats-Unis) [Termes IGN] Californie (Etats-Unis) [Termes IGN] coefficient d'étalonnage [Termes IGN] étalonnage croisé [Termes IGN] étalonnage de capteur (imagerie) [Termes IGN] étalonnage radiométrique [Termes IGN] image Landsat-MSS [Termes IGN] Mexique [Termes IGN] réflectance spectrale Numéro de notice : A2019-537 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2913106 Date de publication en ligne : 17/05/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2913106 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94158 [article]