Descripteur
Termes IGN > imagerie
imagerie
Commentaire :
Terme regroupant photographies et images issues de différents capteurs.
|
Documents disponibles dans cette catégorie (7757)
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
Detection of windthrown tree stems on UAV-orthomosaics using U-Net convolutional networks / Stefan Reder in Remote sensing, vol 14 n° 1 (January-1 2022)
[article]
Titre : Detection of windthrown tree stems on UAV-orthomosaics using U-Net convolutional networks Type de document : Article/Communication Auteurs : Stefan Reder, Auteur ; J.P. Mund, Auteur ; Nicole Albert, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 75 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] branche (arbre)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] dommage forestier causé par facteurs naturels
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] image captée par drone
[Termes IGN] orthophotoplan numérique
[Termes IGN] segmentation sémantique
[Termes IGN] tempête
[Termes IGN] troncRésumé : (auteur) The increasing number of severe storm events is threatening European forests. Besides the primary damages directly caused by storms, there are secondary damages such as bark beetle outbreaks and tertiary damages due to negative effects on the market. These subsequent damages can be minimized if a detailed overview of the affected area and the amount of damaged wood can be obtained quickly and included in the planning of clearance measures. The present work utilizes UAV-orthophotos and an adaptation of the U-Net architecture for the semantic segmentation and localization of windthrown stems. The network was pre-trained with generic datasets, randomly combining stems and background samples in a copy–paste augmentation, and afterwards trained with a specific dataset of a particular windthrow. The models pre-trained with generic datasets containing 10, 50 and 100 augmentations per annotated windthrown stems achieved F1-scores of 73.9% (S1Mod10), 74.3% (S1Mod50) and 75.6% (S1Mod100), outperforming the baseline model (F1-score 72.6%), which was not pre-trained. These results emphasize the applicability of the method to correctly identify windthrown trees and suggest the collection of training samples from other tree species and windthrow areas to improve the ability to generalize. Further enhancements of the network architecture are considered to improve the classification performance and to minimize the calculative costs. Numéro de notice : A2022-082 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.3390/rs14010075 En ligne : https://doi.org/10.3390/rs14010075 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99476
in Remote sensing > vol 14 n° 1 (January-1 2022) . - n° 75[article]Détection des prairies de fauche et estimation des périodes de fauche par télédétection / Emma Seneschal (2022)
Titre : Détection des prairies de fauche et estimation des périodes de fauche par télédétection Type de document : Mémoire Auteurs : Emma Seneschal, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 103 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année, Information Géographique, Analyse Spatiale et TélédétectionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] Aves
[Termes IGN] Cantal (15)
[Termes IGN] cartographie thématique
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] échantillonnage de données
[Termes IGN] habitat animal
[Termes IGN] image multibande
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] Jura (39)
[Termes IGN] Perceptron multicouche
[Termes IGN] prairie
[Termes IGN] régressionIndex. décimale : IGAST Mémoires du Master Information Géographique, Analyse Spatiale et Télédétection Résumé : (auteur) Ce travail s’inscrit dans le projet Parcelle qui vise à promouvoir le développement de la chaîne de traitement Iota2, développée par le CESBIO. Dans ce cadre-là, une collaboration s’est développée avec l’OFB qui a besoin de cartographier les prairies de fauche précoce dans le cadre de son «Observatoire National de l’Ecosystème Prairie de Fauche» (ONEPF). Le report des fauches est plébiscité depuis de nombreuses années face au déclin de l’avifaune prairiale. Des programmes agri-environnementaux incitent les agriculteurs à reporter les fenaisons jusqu’à mi-juillet. Les cartographies du suivi des prairies de fauche avec une récolte tardive constitueraient un outil de suivi des surfaces de l’habitat potentiellement favorable à la reproduction des oiseaux prairiaux en France. L’utilisation de la télédétection avec Iota2 permettrait une production annuelle plus rapide et moins coûteuse par rapport à des campagnes terrains et au processus actuel de production. Ce travail répond aux problématiques suivantes :
— Comment et avec quelle précision peut-on identifier et cartographier les prairies de fauche en France ?
— Est-il possible d’estimer la période de fauche et à quelle précision ?
Les séries temporelles denses, multi-spectrales et à haute résolution des satellites S1 & S2 ont été retenues pour l’étude des gestions des prairies (fauche, pâture et mixte). Les comportements des prairies selon leur mode de gestion ont été analysés grâce aux profils spectro-temporels des parcelles (bandes et indices spectraux issus de S2). Iota2 a été utilisé pour classifier avec Random Forest ou Deep Learning les prairies selon leur type de gestion. Plusieurs configurations ont été testées : calcul d’indices spectraux, ajout d’informations dérivées de MNT, augmentation de données, modification de l’architecture du réseau de neurones profonds, etc. Les cartographies prédictives des prairies de fauche ont été générées pour les années 2019 et 2021 respectivement sur les zones géographiques Jura-Mâconais et du Cantal. De meilleurs résultats ont été obtenus avec les échantillons d’apprentissage des sites du Jura et de Mâcon (F-score de 0.96 pour les parcelles de fauche). Les nouvelles fonctionnalités de Iota2 ont permis d’estimer la période de fauche par régression (avec un MultiLayerPerceptron). Les premiers résultats réalisés avec les séries temporelles S2 semblent prometteurs (R2 supérieurs à 0.5 et bonnes précisions). Ainsi, Iota2 est un outil performant qui permet la production rapide et qualitative de cartes de suivi des gestions prairiales en intégrant la télédétection. Iota2 pourrait être intégrée dans le processus de l’ONEPF.Note de contenu : Introduction
1- Avifaune et prairie
2- Prairies et télédétection
3- Données
4- Détection des prairies de fauche
5- Détection des périodes de fauche
ConclusionNuméro de notice : 24021 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : CESBIO Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101819 Documents numériques
en open access
Détection des prairies... - pdf auteur -Adobe Acrobat PDF Development of object detectors for satellite images by deep learning / Alissa Kouraeva (2022)
Titre : Development of object detectors for satellite images by deep learning Type de document : Mémoire Auteurs : Alissa Kouraeva, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 57 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire d'ingénieur 3e année, Cycle PPMD Photogrammétrie, Positionnement et Mesure de DéformationLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] angle d'incidence
[Termes IGN] apprentissage profond
[Termes IGN] détection du bâti
[Termes IGN] image aérienne
[Termes IGN] image Pléiades-HR
[Termes IGN] image Pléiades-Neo
[Termes IGN] jeu de données
[Termes IGN] OpenStreetMap
[Termes IGN] réalité de terrain
[Termes IGN] recalage d'imageMots-clés libres : Frame Field Learning algorithm Index. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) With various uses cases in different sectors - marine, cartography, defense - object detection in satellite images is at the heart of image processing methods. This study aims to test existing building detection algorithms and improve them with the final goal being a precise cartography of buildings for 3D reconstruction with a high level of details. The Polygonization by Frame Field Learning algorithm is tested on different types of images: aerial images (50cm resolution), satellite images with 50cm (Pleiades) and 30cm (Pleiades Neo) resolutions. The ground truth is either already provided (Digitanie) or has to be retrieved from open access databases (OSM or BD TOPO IGN). Some problems of ground truth overlap appear in Pleiades neo images due to the relative precision in positioning of different data and also due to the incidence angle, that provides a greater revisiting capability. A re-implementation of the Frame Field Learning algorithm with the PyTorch Lightning framework is done in this study, with different experiments conducted concerning the configuration of the algorithm. Note de contenu : Introduction
1- Data
2- Methods
3- Results and discussion
ConclusionNuméro de notice : 24052 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Airbus Defence and Space Geo SA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101926 Développement d’outils et de méthodes permettant l’acquisition, le traitement et la diffusion de données issues de levés par drone / Guillaume Feuillatre (2022)
Titre : Développement d’outils et de méthodes permettant l’acquisition, le traitement et la diffusion de données issues de levés par drone Type de document : Mémoire Auteurs : Guillaume Feuillatre, Auteur Editeur : Paris : Université de Paris 1 Panthéon Sorbonne Année de publication : 2022 Autre Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Importance : 56 p. Format : 21 x 30 cm Note générale : Sitographie
Mémoire de licence professionnelle Géomatique et environnementLangues : Français (fre) Descripteur : [Vedettes matières IGN] Photogrammétrie
[Termes IGN] Agisoft Photoscan
[Termes IGN] bâtiment
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image captée par drone
[Termes IGN] maillage
[Termes IGN] modèle numérique de surface
[Termes IGN] orthophotographie
[Termes IGN] photogrammétrie aérienne
[Termes IGN] positionnement cinématique en temps réel
[Termes IGN] spécification de processus
[Termes IGN] webGLIndex. décimale : LPGE Mémoires de Licence professionnelle géomatique et environnement Résumé : (auteur) [...] L’Eurométropole de Strasbourg (EMS) s’est très tôt tournée vers la géomatique. Dès les années 90, la collectivité a su percevoir l’intérêt de cette discipline pour son espace contribuant grandement à la modernisation et à l'efficience du service public. Différentes actions y ont été menées, comme l’inventaire géographique du patrimoine, la connaissance des réseaux, la distribution spatiale d’une donnée statistique, la réalisation de cartes et la diffusion en Open Data de l’intégralité des données. Dans le cadre du projet SIG 3D, la collectivité de Strasbourg oeuvre pour passer d’une représentation plane de son territoire à une représentation en trois dimensions. C’est notamment dans ce cadre qu’est apparue la volonté de mettre en place une chaîne d’acquisition/traitement/diffusion de données issues de drones. Les objectifs de mon stage étaient nombreux. En effet, l’apparition d’une nouvelle compétence au sein de la collectivité a impliqué de nouvelles acquisitions de matériels ainsi que la formation d’une partie de ses agents. Mon principal travail a été de rendre viables et pérennes les procédures de cette chaîne, via mes connaissances et la collaboration avec les agents du service. De plus, il m’a également été confié un travail de développement dans d’autres domaines de captation d’informations géographiques. Note de contenu : Introduction
1- Intérêt d'un LIDAR sur drône
2- Mise en place des procédures drône
3- Traitement des données
4- Diffusion et mise à jour des produits
ConclusionNuméro de notice : 28887 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire licence Organisme de stage : Eurométropole de Strasbourg Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101628 Documents numériques
en open access
Développement d’outils... - pdf auteur -Adobe Acrobat PDF
Titre : Domain adaptation for urban scene segmentation Type de document : Thèse/HDR Auteurs : Antoine Saporta, Auteur ; Matthieu Cord, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 147 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de Sorbonne Université, spécialité InformatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification non dirigée
[Termes IGN] entropie
[Termes IGN] Mapillary
[Termes IGN] navigation autonome
[Termes IGN] réseau antagoniste génératif
[Termes IGN] scène urbaine
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) This thesis tackles some of the scientific locks of perception systems based on neural networks for autonomous vehicles. This dissertation discusses domain adaptation, a class of tools aiming at minimizing the need for labeled data. Domain adaptation allows generalization to so-called target data that share structures with the labeled so-called source data allowing supervision but nevertheless following a different statistical distribution. First, we study the introduction of privileged information in the source data, for instance, depth labels. The proposed strategy, BerMuDA, bases its domain adaptation on a multimodal representation obtained by bilinear fusion, modeling complex interactions between segmentation and depth. Next, we examine self-supervised learning strategies in domain adaptation, relying on selecting predictions on the unlabeled target data, serving as pseudo-labels. We propose two new selection criteria: first, an entropic criterion with ESL; then, with ConDA, using an estimate of the true class probability. Finally, the extension of adaptation scenarios to several target domains as well as in a continual learning framework is proposed. Two approaches are presented to extend traditional adversarial methods to multi-target domain adaptation: Multi-Dis. and MTKT. In a continual learning setting for which the target domains are discovered sequentially and without rehearsal, the proposed CTKT approach adapts MTKT to this new problem to tackle catastrophic forgetting. Note de contenu : 1- Introduction
2- Unsupervised domain adaptation
3- Leveraging priviledge information for unsupervised domain adaptation
4- Estimating and exploiting confident pseudo-labels for self-training
5- Adaptation to multiple domains
6- ConclusionNuméro de notice : 24079 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Sorbonne Université : 2022 Organisme de stage : Institut des Systèmes Intelligents et de Robotique DOI : sans En ligne : https://theses.hal.science/tel-03886201 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102213 Éléments pour l'analyse et le traitement d'images : application à l'estimation de la qualité du bois / Rémy Decelle (2022)PermalinkEstimating aboveground biomass in dense Hyrcanian forests by the use of Sentinel-2 data / Fardin Moradi in Forests, vol 13 n° 1 (January 2022)PermalinkÉvolution rétrospective et prospective d’un massif dunaire par imagerie multispectrale et LiDAR / Iris Jeuffrard (2022)PermalinkExamining the integration of Landsat operational land imager with Sentinel-1 and vegetation indices in mapping southern yellow pines (Loblolly, Shortleaf, and Virginia pines) / Clement E. Akumu in Photogrammetric Engineering & Remote Sensing, PERS, vol 88 n° 1 (January 2022)PermalinkPermalinkFLAIR: French Land cover from Aerial ImageRy - Challenge FLAIR #1: semantic segmentation and domain adaptation / Anatol Garioud (2022)PermalinkFusion de données hyperspectrales et panchromatiques dans le domaine réflectif / Yohann Constans (2022)PermalinkGlobal and climate challenges, graph-based data analysis for multisource information extraction / Morgane Batelier (2022)PermalinkGlobal glacier mass change by spatiotemporal analysis of digital elevation models / Romain Hugonnet (2022)PermalinkHigh-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach / Martin Schwartz (2022)Permalink