Centre de documentation
scientifique

Deep learning for radar data exploitation of autonomous vehicle / Arthur Ouaknine (2022)  

Public Titre : Deep learning for radar data exploitation of autonomous vehicle Type de document : Thèse/HDR Auteurs : Arthur Ouaknine, Auteur ; Florence Tupin, Directeur de thèse ; Patrick Pérez, Directeur de thèse ; Alasdair Newson, Directeur de thèse Editeur : Paris : Institut Polytechnique de Paris Année de publication : 2022 Importance : 195 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse pour obtenir le grade de Docteur de l’Institut Polytechnique de Paris, Spécialité Signal, Images, Automatique et robotique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] données radar [Termes IGN] fusion de données multisource [Termes IGN] réseau neuronal convolutif [Termes IGN] scène urbaine [Termes IGN] segmentation sémantique [Termes IGN] semis de points [Termes IGN] véhicule sans pilote Index. décimale : THESE Thèses et HDR Résumé : (Auteur) La conduite autonome exige une compréhension détaillée de scènes de conduite complexes. La redondance et la complémentarité des capteurs du véhicule permettent une compréhension précise et robuste de l'environnement, augmentant ainsi le niveau de performance et de sécurité. Cette thèse se concentre sur le RADAR automobile, qui est un capteur actif à faible coût mesurant les propriétés des objets environnants, y compris leur vitesse relative, et qui a l'avantage de ne pas être affecté par des conditions météorologiques défavorables.Avec les progrès rapides de l'apprentissage profond et la disponibilité d'ensembles de données publiques sur la conduite, la capacité de perception des systèmes de conduite basés sur la vision (par exemple, la détection d'objets ou la prédiction de trajectoire) s'est considérablement améliorée. Le capteur RADAR est rarement utilisé pour la compréhension de scène en raison de sa faible résolution angulaire, de la taille, du bruit et de la complexité des données brutes RADAR ainsi que du manque d'ensembles de données disponibles. Cette thèse propose une étude approfondie de la compréhension de scènes RADAR, de la construction d'un jeu de données annotées à la conception d'architectures d'apprentissage profond adaptées.Tout d'abord, cette thèse détaille des approches permettant de remédier au manque de données. Une simulation simple ainsi que des méthodes génératives pour créer des données annotées seront présentées. Elle décrit également le jeu de données CARRADA, composé de données synchronisées de caméra et de RADAR avec une méthode semi-automatique générant des annotations sur les représentations RADAR.%Aujourd'hui, le jeu de données CARRADA est le seul jeu de données fournissant des données RADAR brutes annotées pour des tâches de détection d'objets et de segmentation sémantique.Cette thèse présente ensuite un ensemble d'architectures d'apprentissage profond avec leurs fonctions de perte associées pour la segmentation sémantique RADAR.Elle décrit également une méthode permettant d'ouvrir la recherche sur la fusion des capteurs LiDAR et RADAR pour la compréhension de scènes.Enfin, cette thèse expose une contribution collaborative, le jeu de données RADIal avec RADAR haute définition (HD), LiDAR et caméra synchronisés. Une architecture d'apprentissage profond est également proposée pour estimer le pipeline de traitement du signal RADAR tout en effectuant simultanément un apprentissage multitâche pour la détection d'objets et la segmentation de l'espace libre de conduite. Note de contenu : 1. Introduction 1.1 Context 1.2 Motivations 1.3 Contributions and outlines 2. Background 2.1 RADAR theory 2.2 Recordings and signal processing 2.3 Artificial neural networks 2.4 Convolutional neural network 2.5 Recurrent neural network 2.6 Deep learning 3. Related work 3.1 Diverse applications 3.2 Automotive RADAR datasets 3.3 RADAR object detection 3.4 RADAR semantic segmentation 3.5 Sensor fusion 3.6 Conclusions 4. Proposed automotive RADAR datasets 4.1 RADAR simulation 4.2 RADAR data generation 4.3 CARRADA dataset 4.4 Conclusions 5. RADAR scene understanding 5.1 Multi-view RADAR semantic segmentation 5.2 Sensor fusion 5.3 Conclusions 6. High-definition RADAR 6.1 Motivations 6.2 RADIal dataset 6.3 Proposed method 6.4 Experiments and Results 6.5 Conclusions and discussions 7 Conclusion 125 7.1 Contributions 7.2 Future work Numéro de notice : 26803 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de doctorat : Signal, Images, Automatique et robotique : Palaiseau : 2022 Organisme de stage : Télécom Paris nature-HAL : Thèse DOI : sans Date de publication en ligne : 11/03/2022 En ligne : https://tel.hal.science/tel-03606384 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100125

Non-linear GNSS signal processing applied to land observation with high-rate airborne reflectometry / Hamza Issa (2022)  

Public Titre : Non-linear GNSS signal processing applied to land observation with high-rate airborne reflectometry Type de document : Thèse/HDR Auteurs : Hamza Issa, Auteur ; Serge Reboul, Directeur de thèse ; Ghaleb Faour, Directeur de thèse Editeur : Dunkerque : Université du Littoral-Côte-d'Opale Année de publication : 2022 Importance : 213 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse en vue de l'obtention du grade de Docteur de l’Université du Littoral Côte d’Opale Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] bande L [Termes IGN] capteur aérien [Termes IGN] données radar [Termes IGN] humidité du sol [Termes IGN] modèle statistique [Termes IGN] précision métrique [Termes IGN] rapport signal sur bruit [Termes IGN] réflectométrie par GNSS [Termes IGN] signal GNSS [Termes IGN] zone humide Index. décimale : THESE Thèses et HDR Résumé : (Auteur) Soil moisture remote sensing has been an active area of research over the past few decades due to its essential role in agriculture and in the prediction of some natural disasters. GNSS-Reflectometry (GNSS-R) is an emerging bistatic remote sensing technique that uses the L-band GNSS signals as sources of opportunity to characterize Earth surface. In this passive radar system, the amplitudes of the GNSS signal reflected by soil and the GNSS signal received directly from the GNSS satellites can be used to derive measurements of reflectivity from which the soil moisture content of the surface is determined.The study of soil moisture content using reflectivity measurements can also be applied for the detection of in-land water body surfaces. In this dissertation, we propose in the first step a non-linear estimate of the GNSS signal amplitude. This estimate is based on a statistical model that we develop for the coherent detection of a GNSS signal quantized on 1 bit. We show with experimentations on synthetic and real data that the proposed estimator is more accurate than reference approaches and provide measurements of the Signal-to-Noise Ratio (SNR) at a higher rate. When the reflected GNSS signal is obtained in an airborne experiment, its evolution as a function of time is piecewise stationary. The different stationary parts are associatedto different kinds of reflecting surfaces. We propose in a second step a change point detector that takes into account the radar signal characteristics in order to segment the signal. We show on synthetic data that the proposed change point detector can detect and localize changes more accurately than reference approaches present in the literature. This work is applied to airborne GNSSR observation of Earth. We propose in the third step, a new GNSS-R sensor with its implementation on a lightweight airborne carrier. We also propose a new front-end receiver architecture, a software radio implementation of thereceiver, and the complete instrumentation of the airborne carrier. A real flight experimentation has taken place in the North of France obtaining reflections from different landforms. We show using the airborne GNSS measurements obtained, that the proposed radar technique detects different surfaces along the flight trajectory, and in particular in-land water bodies, with high temporal and spatial resolution. We also show that we can localize the edges of the detected water body surfaces at meter accuracy. Note de contenu : General Introduction 1. Remote Sensing of Soil Moisture 1.1 Introduction 1.2 L-band emissions of land covers 1.3 Soil moisture remote sensing techniques 1.4 Remote sensing using GNSS-R 1.5 Conclusion 2. Carrier-to-Noise Estimation : Application to Soil Moisture Retrieval using GNSS-R 2.1 Introduction 2.2 Signal and system model 2.3 C/N0 estimators 2.4 Soil moisture retrieval from GNSS-R 2.5 Conclusion 3. A Probabilistic Model for On-line Estimation of the GNSS Carrier?to-Noise Ratio 3.1 Introduction 3.2 1-bit coherent detection principle 3.3 GNSS front end 3.4 Estimation of the GNSS signal amplitude 3.5 Experimentation 3.6 Conclusion 4. Segmentation of the GNSS Signal Amplitudes 4.1 Introduction 4.2 Change point detection principle 4.3 On-line/Off-line change detection system 4.4 Experimentation 4.5 Conclusion 5. Airborne GNSS Reflectometry for Water Body Detection 5.1 Introduction 5.2 Airborne GNSS system 5.3 Airborne experimental setup 5.4 GNSS-R software receiver 5.5 Flight Experimentation 5.6 Data analysis 5.7 Conclusion General Conclusion Numéro de notice : 26837 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du signal et des images : Université du Littoral Côte d’Opale : 2022 Organisme de stage : Laboratoire d'Informatique Signal et Image de la Côte d'Opale LISIC nature-HAL : Thèse DOI : sans Date de publication en ligne : 03/06/2022 En ligne : https://tel.hal.science/tel-03687353 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101094

Web‐based real‐time visualization of large‐scale weather radar data using 3D tiles / Mingyue Lu in Transactions in GIS, Vol 25 n° 1 (February 2021)  

Public [article]  inTransactions in GIS > Vol 25 n° 1 (February 2021) . - pp 25 - 43 Titre : Web‐based real‐time visualization of large‐scale weather radar data using 3D tiles Type de document : Article/Communication Auteurs : Mingyue Lu, Auteur ; Xinhao Wang, Auteur ; Xintao Liu, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 25 - 43 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] Chine [Termes IGN] dalle [Termes IGN] données météorologiques [Termes IGN] données radar [Termes IGN] géomatique web [Termes IGN] grande échelle [Termes IGN] temps réel [Termes IGN] visualisation 3D [Termes IGN] web des données [Termes IGN] WebSIG [Vedettes matières IGN] Géovisualisation Résumé : (Auteur) Weather radar data play an important role in meteorological analysis and forecasting. In particular, web‐based real‐time 3D visualization will enable and enhance various meteorological applications by avoiding the dissemination of a large amount of data over the internet. Despite that, most existing studies are either limited to 2D or small‐scale data analytics due to methodological limitations. This article proposes a new framework to enable web‐based real‐time 3D visualization of large‐scale weather radar data using 3D tiles and WebGIS technology. The 3D tiles technology is an open specification for online streaming massive heterogeneous 3D geospatial datasets, which is designed to improve rendering performance and reduce memory consumption. First, the weather radar data from multiple single‐radar sites across a large coverage area are organized into a spliced grid data (i.e., weather radar composing data, WRCD). Next, the WRCD is converted into a widely used 3D tile data structure in four steps: data preprocessing, data indexing, data transformation, and 3D tile generation. Last, to validate the feasibility of the proposed strategy, a prototype, namely Meteo3D at https://202.195.237.252:82, is implemented to accommodate the WRCD collected from all the weather radar sites over the whole of China. The results show that near real‐time and accurate visualization for the monitoring and early warning of strong convective weather can be achieved. Numéro de notice : A2021-185 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12638 Date de publication en ligne : 19/05/2020 En ligne : https://doi.org/10.1111/tgis.12638 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97147 [article]

Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data / Mahdi Moalla in IEEE Transactions on geoscience and remote sensing, vol 58 n° 10 (October 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 10 (October 2020) . - pp 7022 - 7034 Titre : Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data Type de document : Article/Communication Auteurs : Mahdi Moalla, Auteur ; Hichem Frigui, Auteur ; Andrew Karem, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 7022 - 7034 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] cible cachée [Termes IGN] classification barycentrique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] données radar [Termes IGN] image radar moirée [Termes IGN] mine antipersonnel [Termes IGN] radar pénétrant GPR [Termes IGN] réseau neuronal récurrent [Termes IGN] sous-sol Résumé : (auteur) We propose discrimination algorithms for buried threat detection (BTD) that exploit deep convolutional neural networks (CNNs) and recurrent neural networks (RNN) to analyze 2-D GPR B-scans in the down-track (DT) and cross-track (CT) directions as well as 3-D GPR volumes. Instead of imposing a specific model or handcrafted features, as in most existing detectors, we use large real GPR data collections and data-driven approaches that learn: 1) features characterizing buried explosive objects (BEOs) in 2-D B-scans, both in the DT and CT directions; 2) the variation of the CNN features learned in a fixed 2-D view across the third dimension; and 3) features characterizing BEOs in the original 3-D space. The proposed algorithms were trained and evaluated using large experimental GPR data covering a surface area of 120 000 m 2 from 13 different lanes across two U.S. test sites. These data include a diverse set of BEOs consisting of varying shapes, metal content, and underground burial depths. We provide some qualitative analysis of the proposed algorithms by visually comparing their performance and consistency along different dimensions and visualizing typical features learned by some nodes of the network. We also provide quantitative analysis that compares the receiver operating characteristics (ROCs) obtained using the proposed algorithms with those obtained using existing approaches based on CNN as well as traditional learning. Numéro de notice : A2020-586 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2978763 Date de publication en ligne : 25/03/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2978763 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95914 [article]

Improving operational radar rainfall estimates using profiler observations over complex terrain in Northern California / Haonan Chen in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 3 (March 2020) . - pp 1821 - 1832 Titre : Improving operational radar rainfall estimates using profiler observations over complex terrain in Northern California Type de document : Article/Communication Auteurs : Haonan Chen, Auteur ; Robert Cifelli, Auteur ; Allen White, Auteur Année de publication : 2020 Article en page(s) : pp 1821 - 1832 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] Californie (Etats-Unis) [Termes IGN] correction d'image [Termes IGN] données radar [Termes IGN] erreur d'approximation [Termes IGN] faisceau [Termes IGN] montagne [Termes IGN] orographie [Termes IGN] précipitation [Termes IGN] prévision météorologique [Termes IGN] télédétection en hyperfréquence [Termes IGN] télédétection réflective [Termes IGN] visée verticale Résumé : (Auteur) Quantitative precipitation estimation (QPE) using operational weather radars in the western United States is still a challenging issue due to the beam blockage in the mountainous areas and complex rainfall microphysics induced by the orographic enhancement. This article aims to improve operational radar rainfall estimates in complex terrain by incorporating auxiliary remote sensing observations. An innovative vertical profile of reflectivity (VPR) correction scheme is developed for operational radar using observations from multiple vertically pointing profilers to represent the vertical structure of precipitation at various locations. A demonstration study in the Russian River basin in Northern California is detailed. Results show that the QPE performance is significantly improved after VPR correction, and this new VPR correction approach is superior to the conventional approach currently applied in the operational radar rainfall system. The normalized standard error of hourly rainfall estimates for the two precipitation events presented in this article is improved by ~20% after applying the proposed VPR correction scheme. Numéro de notice : A2020-090 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2949214 Date de publication en ligne : 12/11/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2949214 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94664 [article]