Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage profond
apprentissage profond |
Documents disponibles dans cette catégorie (647)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Challenges in grassland mowing event detection with multimodal Sentinel images / Anatol Garioud (2019)
Titre : Challenges in grassland mowing event detection with multimodal Sentinel images Type de document : Article/Communication Auteurs : Anatol Garioud , Auteur ; Sébastien Giordano , Auteur ; Silvia Valero, Auteur ; Clément Mallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2019 Projets : 2-Pas d'info accessible - article non ouvert / Conférence : MultiTemp 2019, 10th International Workshop on the Analysis of Multitemporal Remote Sensing Images 05/08/2019 07/08/2019 Shanghai Chine Proceedings IEEE Importance : pp 1 - 4 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] apprentissage profond
[Termes IGN] détection d'événement
[Termes IGN] données lidar
[Termes IGN] image multibande
[Termes IGN] image RapidEye
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] image TerraSAR-X
[Termes IGN] méthode robuste
[Termes IGN] nébulosité
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] Perceptron multicouche
[Termes IGN] prairie
[Termes IGN] régression
[Termes IGN] réseau neuronal récurrent
[Termes IGN] série temporelle
[Termes IGN] surveillance de la végétationRésumé : (auteur) Permanent Grasslands (PG) are heterogeneous environments with high spatial and temporal dynamics, subject to increasing environmental challenges. This study aims to identify requirements, key constraining factors and solutions for robust and complete detection of Mowing Events. Remote sensing is a powerful tool to monitor and investigate Near-Real-Time and seasonally PG cover. Here, pros and cons of Sentinel-2 (S2) and Sentinel-1 (S1) time series exploitation for Mowing Events (MowEve) detection are analysed. A deep-based approach is proposed to obtain consistent and homogeneous biophysical parameter times series for MowEve detection. Recurrent Neural Networks are proposed as regression strategy allowing the synergistic integration of optical and Synthetic Aperture Radar data to reconstruct dense NDVI times series. Experimental results corroborates the interest of deriving consistent and homogeneous series of biophysical parameters for subsequent MowEve detection. Numéro de notice : C2019-028 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/Multi-Temp.2019.8866914 Date de publication en ligne : 29/11/2019 En ligne : https://doi.org/10.1109/Multi-Temp.2019.8866914 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94538 Challenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)
Titre : Challenging deep image descriptors for retrieval in heterogeneous iconographic collections Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Martyna Poreba , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2019 Autre Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Projets : Alegoria / Gouet-Brunet, Valérie Conférence : SUMAC 2019, 1st workshop on Structuring and Understanding of Multimedia heritAge Contents 21/10/2019 21/10/2019 Nice France Proceedings ACM Importance : pp 31 - 38 Format : 21 x 30 cm Note générale : bibliographie
Preprint publié sur ArXiv https://arxiv.org/abs/1909.08866v1Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse visuelle
[Termes IGN] apprentissage profond
[Termes IGN] base de données d'images
[Termes IGN] collection
[Termes IGN] descripteur
[Termes IGN] données hétérogènes
[Termes IGN] exploration de données
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] iconographie
[Termes IGN] image multi sources
[Termes IGN] indexation
[Termes IGN] jeu de données
[Termes IGN] recherche d'image basée sur le contenuRésumé : (auteur) This article proposes to study the behavior of recent and efficient state-of-the-art deep-learning based image descriptors for content-based image retrieval, facing a panel of complex variations appearing in heterogeneous image datasets, in particular in cultural collections that may involve multi-source, multi-date and multi-view contents. For this purpose, we introduce a novel dataset, namely Alegoria dataset, consisting of 12,952 iconographic contents representing landscapes of the French territory, and encapsultating a large range of intra-class variations of appearance which were finely labelled. Six deep features (DELF, NetVLAD, GeM, MAC, RMAC, SPoC) and a hand-crafted local descriptor (ORB) are evaluated against these variations. Their performance are discussed, with the objective of providing the reader with research directions for improving image description techniques dedicated to complex heterogeneous datasets that are now increasingly present in topical applications targeting heritage valorization. Numéro de notice : C2019-022 Affiliation des auteurs : LASTIG MATIS (2012-2019) Autre URL associée : ArXiv Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3347317.3357246 Date de publication en ligne : 19/09/2019 En ligne : https://doi.org/10.1145/3347317.3357246 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93623 Correcting rural building annotations in OpenStreetMap using convolutional neural networks / John E. Vargas-Muñoz in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)
[article]
Titre : Correcting rural building annotations in OpenStreetMap using convolutional neural networks Type de document : Article/Communication Auteurs : John E. Vargas-Muñoz, Auteur ; Sylvain Lobry, Auteur ; Alexandre X. Falcão, Auteur ; Devis Tuia, Auteur Année de publication : 2019 Article en page(s) : pp 283 - 293 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique web
[Termes IGN] bati
[Termes IGN] champ aléatoire de Markov
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] correction géométrique
[Termes IGN] données localisées des bénévoles
[Termes IGN] habitat rural
[Termes IGN] mise à jour de base de données
[Termes IGN] OpenStreetMap
[Termes IGN] réseau neuronal convolutif
[Termes IGN] segmentation sémantique
[Termes IGN] Tanzanie
[Termes IGN] Zimbabwe
[Termes IGN] zone ruraleRésumé : (auteur) Rural building mapping is paramount to support demographic studies and plan actions in response to crisis that affect those areas. Rural building annotations exist in OpenStreetMap (OSM), but their quality and quantity are not sufficient for training models that can create accurate rural building maps. The problems with these annotations essentially fall into three categories: (i) most commonly, many annotations are geometrically misaligned with the updated imagery; (ii) some annotations do not correspond to buildings in the images (they are misannotations or the buildings have been destroyed); and (iii) some annotations are missing for buildings in the images (the buildings were never annotated or were built between subsequent image acquisitions). First, we propose a method based on Markov Random Field (MRF) to align the buildings with their annotations. The method maximizes the correlation between annotations and a building probability map while enforcing that nearby buildings have similar alignment vectors. Second, the annotations with no evidence in the building probability map are removed. Third, we present a method to detect non-annotated buildings with predefined shapes and add their annotation. The proposed methodology shows considerable improvement in accuracy of the OSM annotations for two regions of Tanzania and Zimbabwe, being more accurate than state-of-the-art baselines. Numéro de notice : A2019-038 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2018.11.010 Date de publication en ligne : 06/12/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2018.11.010 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91975
in ISPRS Journal of photogrammetry and remote sensing > vol 147 (January 2019) . - pp 283 - 293[article]Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2019011 RAB Revue Centre de documentation En réserve L003 Disponible 081-2019013 DEP-EXM Revue LASTIG Dépôt en unité Exclu du prêt 081-2019012 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt DataPink, l'IA au service de l'information géographique / Anonyme in Géomatique expert, n° 126 (janvier - février 2019)
[article]
Titre : DataPink, l'IA au service de l'information géographique Type de document : Article/Communication Auteurs : Anonyme, Auteur Année de publication : 2019 Article en page(s) : pp 38 - 46 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse de données
[Termes IGN] apprentissage profond
[Termes IGN] langage naturel (informatique)
[Termes IGN] photo-interprétation assistée par ordinateur
[Termes IGN] réseau neuronal artificiel
[Termes IGN] série temporelle
[Termes IGN] télédétection électromagnétiqueRésumé : (Auteur) Récemment créée par Olivier Courtin, DataPink est une jeune entreprise innovante spécialisée dans la mise en œuvre de l’intelligence artificielle à l’information géographique. L’occasion de faire le point sur des techniques de pointe. Numéro de notice : A2019-298 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93264
in Géomatique expert > n° 126 (janvier - février 2019) . - pp 38 - 46[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité IFN-001-P002120 PER Revue Nogent-sur-Vernisson Salle périodiques Exclu du prêt Détection de fenêtres dans un nuage de points de façade et positionnement semi-automatique dans un logiciel BIM / Julie Thierry (2019)
Titre : Détection de fenêtres dans un nuage de points de façade et positionnement semi-automatique dans un logiciel BIM Type de document : Mémoire Auteurs : Julie Thierry, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2019 Format : 21 x 30 cm Note générale : bibliographie
Mémoire de soutenance de diplôme d'ingénieur INSA, TopographieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] détection automatique
[Termes IGN] détection d'objet
[Termes IGN] détection de contours
[Termes IGN] fenêtre (bâtiment)
[Termes IGN] maquette numérique
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] musée
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Le domaine de la modélisation des Informations du Bâtiment (BIM) a connu de nombreux progrès technologiques au cours des dernières années. A travers une maquette numérique, le BIM stocke toutes les informations d’un bâtiment et peut être utilisé pour de multiples applications. L’évolution des technologies tels que les scanners laser permettent de reconstituer en 3D un bâtiment en vue d’une modélisation BIM. Une multitude de données précises se trouve ainsi accessible de façon rapide. Cependant, le passage du nuage de points à la maquette reste une étape difficile à automatiser. Les défis d’aujourd’hui sont d’actualiser la méthode manuelle en développant un processus automatique dédié à la modélisation des maquettes numériques directement à partir du nuage de points. Cette problématique amène donc à expliquer les divers travaux appliqués aux traitements permettant d’extraire automatiquement le maximum d’informations du nuage de points. Nous nous intéressons plus particulièrement à la détection des fenêtres d’un bâtiment, car l’objectif de ce projet de fin d’études est de participer à l’automatisation de la création de maquette numérique en y intégrant un processus automatisé pour insérer les fenêtres. Nous présentons dans un premier temps un état de l’art sur les différentes méthodes de détection des fenêtres dans les nuages de points. Puis, nous détaillerons la méthode développée au cours de ce projet en considérant les nuages de points du musée zoologique de Strasbourg comme données de base. Le projet se divise en trois parties. La première se rapporte à la détection des ouvertures dans les nuages de points. Dans la seconde partie, nous soumettons une solution d’insertion semi-automatique des fenêtres dans un logiciel BIM à travers la réalisation d’une maquette numérique du musée zoologique. Enfin, nous évaluerons les résultats de la détection et de l’insertion afin de valider notre approche. Note de contenu : 1- Etat de l'Art
2- Détection de fenêtres
3- Insertion semi-automatique
4- Evaluation des résultats
Conclusion du projetNuméro de notice : 28540 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : ICube DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/3822/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97380 Enrichissement d'orthophotographie par des données OpenStreetMap pour l'apprentissage machine / Gauthier Fillières-Riveau (2019)PermalinkPermalinkEstimation de profondeur à partir d'images monoculaires par apprentissage profond / Michel Moukari (2019)PermalinkEvaluating SAR-optical sensor fusion for aboveground biomass estimation in a Brazilian tropical forest / Aline Bernarda Debastiani in Annals of forest research, vol 62 n° 1 (January - June 2019)PermalinkPermalinkPermalinkPermalinkHyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing / Minrui Zheng in International journal of geographical information science IJGIS, Vol 33 n° 1-2 (January - February 2019)PermalinkPermalinkPermalink