Centre de documentation
scientifique

Semisupervised transfer component analysis for domain adaptation in remote sensing image classification / Giona Matasci in IEEE Transactions on geoscience and remote sensing, vol 53 n° 7 (July 2015)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 53 n° 7 (July 2015) . - pp 3550 - 3564 Titre : Semisupervised transfer component analysis for domain adaptation in remote sensing image classification Type de document : Article/Communication Auteurs : Giona Matasci, Auteur ; Michele Volpi, Auteur ; Mikhail Kanevski, Auteur ; et al., Auteur Année de publication : 2015 Article en page(s) : pp 3550 - 3564 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] analyse comparative [Termes IGN] classification à base de connaissances [Termes IGN] classification automatique [Termes IGN] découverte de connaissances [Termes IGN] extraction automatique [Termes IGN] méthode fondée sur le noyau [Termes IGN] occupation du sol Résumé : (Auteur) In this paper, we study the problem of feature extraction for knowledge transfer between multiple remotely sensed images in the context of land-cover classification. Several factors such as illumination, atmospheric, and ground conditions cause radiometric differences between images of similar scenes acquired on different geographical areas or over the same scene but at different time instants. Accordingly, a change in the probability distributions of the classes is observed. The purpose of this work is to statistically align in the feature space an image of interest that still has to be classified (the target image) to another image whose ground truth is already available (the source image). Following a specifically designed feature extraction step applied to both images, we show that classifiers trained on the source image can successfully predict the classes of the target image despite the shift that has occurred. In this context, we analyze a recently proposed domain adaptation method aiming at reducing the distance between domains, Transfer Component Analysis, and assess the potential of its unsupervised and semisupervised implementations. In particular, with a dedicated study of its key additional objectives, namely the alignment of the projection with the labels and the preservation of the local data structures, we demonstrate the advantages of Semisupervised Transfer Component Analysis. We compare this approach with other both linear and kernel-based feature extraction techniques. Experiments on multi- and hyperspectral acquisitions show remarkable cross- image classification performances for the considered strategy, thus confirming its suitability when applied to remotely sensed images. Numéro de notice : A2015-319 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2014.2377785 En ligne : https://doi.org/10.1109/TGRS.2014.2377785 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=76570 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
065-2015071	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Memory-based cluster sampling for remote sensing image classification / Michele Volpi in IEEE Transactions on geoscience and remote sensing, vol 50 n° 8 (August 2012)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 50 n° 8 (August 2012) . - pp 3096 - 3106 Titre : Memory-based cluster sampling for remote sensing image classification Type de document : Article/Communication Auteurs : Michele Volpi, Auteur ; Devis Tuia, Auteur ; Mikhail Kanevski, Auteur Année de publication : 2012 Article en page(s) : pp 3096 - 3106 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse de groupement [Termes IGN] apprentissage automatique [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] image à très haute résolution [Termes IGN] image hyperspectrale Résumé : (Auteur) In this paper, we address the problem of semi-automatic definition of training sets for the classification of remotely sensed images. We propose two approaches based on active learning aiming at removing both the proximal (low diversity) and the dense (low exploration during iterations) sampling redundancies. The first is encountered when several samples carrying similar spectral information are selected by the algorithm, while the second occurs when the heuristic is unable to explore undiscovered parts of the feature space during iterations. For this purpose, kernel k-means is used to cluster a set of uncertain candidates in the same space spanned by the kernel function defined in the SVM classification step. Two heuristics are proposed to maximize the speed of convergence to high classification accuracies: The first is based on binary hierarchical partitioning of the set of selected uncertain samples, while the second extends this approach by considering memory in the selection and thus dynamically adapts to the problem throughout the iterations. Experiments on both VHR and hyperspectral imagery confirm fast convergence of the algorithm, that outperforms state-of-the-art sampling schemes. Numéro de notice : A2012-383 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2011.2179661 Date de publication en ligne : 21/02/2012 En ligne : https://doi.org/10.1109/TGRS.2011.2179661 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=31829 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
065-2012081	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Mapping of environmental data using kernel-based methods / Mikhail Kanevski in Revue internationale de géomatique, vol 17 n° 3-4 (septembre 2007 – février 2008)  

Public [article]  inRevue internationale de géomatique > vol 17 n° 3-4 (septembre 2007 – février 2008) . - pp 309 - 331 Titre : Mapping of environmental data using kernel-based methods Type de document : Article/Communication Auteurs : Mikhail Kanevski, Auteur ; A. Pozdnoukhov, Auteur ; V. Timonin, Auteur ; M. Maignan, Auteur Année de publication : 2007 Article en page(s) : pp 309 - 331 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] analyse spatiale [Termes IGN] apprentissage automatique [Termes IGN] cartographie écologique [Termes IGN] données localisées [Termes IGN] méthode fondée sur le noyau [Termes IGN] réseau neuronal artificiel [Termes IGN] surveillance écologique Résumé : (Auteur) Ces dernières années, les méthodes d’apprentissage machine (machine learning) ont connu une grande popularité dans plusieurs domaines d’application comme, sans être exhaustifs, la reconnaissance vocale, la vision par ordinateur ou la télédétection. Ce papier est une revue d’applications de méthodes à noyau (aussi appelées kernel methods) pour l’analyse de données environnementales. Plusieurs études sont présentées : la classification de données catégorielles (types de sol), la cartographie de la pollution (contamination des sols par les radionucléides) et l’intégration d’information auxiliaire à des modèles purement spatiaux (modélisation de la température dans la région de la mer d’Aral). D’autres applications novatrices, comme la cartographie automatique des phénomènes extrêmes ou l’optimisation des réseaux de monitoring, sont également discutées. Copyright Lavoisier Numéro de notice : A2007-594 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.3166/geo.17.309-331 En ligne : https://doi.org/10.3166/geo.17.309-331 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=28957 [article]

Exemplaires(2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
047-07031	RAB	Revue	Centre de documentation	En réserve L003	Disponible
047-07032	RAB	Revue	Centre de documentation	En réserve L003	Disponible