Centre de documentation
scientifique

Ensemble learning methods on the space of covariance matrices : application to remote sensing scene and multivariate time series classification / Sara Akodad (2021)  

Public Titre : Ensemble learning methods on the space of covariance matrices : application to remote sensing scene and multivariate time series classification Type de document : Thèse/HDR Auteurs : Sara Akodad, Auteur ; Christian Germain, Directeur de thèse ; Lionel Bombrun, Directeur de thèse Editeur : Bordeaux : Université de Bordeaux Année de publication : 2021 Importance : 220 p. Format : 21 x 30 cm Note générale : bibliographie Thèse présentée pour obtenir le grade de Docteur de l'Université de Bordeaux, Spécialité Automatique, Productique, Signal et Image, Ingénierie cognitique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse multivariée [Termes IGN] Castanea sativa [Termes IGN] classification dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] déformation temporelle dynamique (algorithme) [Termes IGN] géométrie euclidienne [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] maladie phytosanitaire [Termes IGN] matrice de covariance [Termes IGN] processus gaussien [Termes IGN] série temporelle [Termes IGN] surveillance forestière Index. décimale : THESE Thèses et HDR Résumé : (auteur) In view of the growing success of second-order statistics in classification problems, the work of this thesis has been oriented towards the development of learning methods in manifolds. Indeed, covariance matrices are symmetric positive definite matrices that live in a non-Euclidean space. It is therefore necessary to adapt the classical tools of Euclidean geometry to handle this type of data. To do that, we have proposed to exploit the log-Euclidean metric. This latter allows to project the set of covariance matrices on a tangent plane to the manifold defined at a reference point, classically chosen equal to the identity matrix, followed by a vectorization step to obtain the log-Euclidean representation. On this tangent plane, it is possible to define parametric Gaussian models as well as Gaussian mixture models. Nevertheless, this projection on a single tangent plane can induce distortions. In order to overcome this limitation, we have proposed a GMM model composed of several tangent planes, where the reference points are defined by the centers of each cluster.In view of the success of neural networks, in particular convolutional neural networks (CNNs), we have proposed two hybrid transfer learning approaches based on the covariance matrix computed locally and globally on the CNN convolutional layers’ outputs. The local approach relies on the covariance matrices extracted locally on the first layers of a CNN, which are then encoded by the Fisher vectors computed on their log-Euclidean representation, while for the global approach, a single covariance matrix is computed on the feature maps of the CNN deep layers. Moreover, in order to give more importance to the objects of interest present in the images, we proposed to use a covariance matrix weighted by the saliency information. Furthermore, in order to take advantage of both local and global aspects, these two approaches are subsequently combined in an ensemble strategy.On the other hand, the availability of multivariate time series has aroused the interest of the remote sensing community and more generally of machine learning researchers for the development of new learning strategies dedicated to supervised classification. In particular, methods based on the calculation of point-to-point distance between series. Moreover, two series belonging to the same class can evolve in different ways, which can induce temporal distortions (translation, compression, dilation, etc.). To avoid this, warping methods allow to align the time series. In order to extend this approach to time series of covariance matrices, while ensuring invariance to the re-parametrization of the series, we were interested in the TSRVF representation. In the same context, several ensemble methods have been proposed in the literature, including TCK, which relies on similarity computation to classify time series. We have proposed to extend this strategy to covariance matrices by introducing the SO-TCK approach which relies on the log-Euclidean representation of such matrices. Finally, the last axis of this thesis concerns the modeling of temporal trajectories of signals measured by the radar (Sentinel 1) and optical (Sentinel 2) sensors. In particular, we are interested in the forestry problem of the chestnut ink disease in the Montmorency forest. For this purpose, we developed classification and regression models to predict a health status score from the covariance matrix computed on multi-temporal radiometric attributes. Note de contenu : Introduction 1- Riemannian geometry and statistical modeling on the space of Symmetric Positive Definite (SPD) matrices 2- Ensemble learning approaches based on covariance pooling of CNN Features 3- Symmetric positive definite matrix time series classification 4- Forest health monitoring using Sentinel-1 and Sentinel-2 time series Conclusions and perspectives Numéro de notice : 28605 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE/MATHEMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Automatique, Productique, Signal et Image, Ingénierie cognitique : Bordeaux : 2021 Organisme de stage : IMS DOI : sans En ligne : https://tel.hal.science/tel-03484011 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99446

Potentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne / Florent Abdelghafour (2019)  

Public Titre : Potentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne Type de document : Thèse/HDR Auteurs : Florent Abdelghafour, Auteur ; Jean-Pierre Da Costa, Directeur de thèse ; Christian Germain, Directeur de thèse Editeur : Bordeaux : Université de Bordeaux Année de publication : 2019 Importance : 174 p. Format : 21 x 30 cm Note générale : bibliographie Thèse présentée pour obtenir le grade Docteur, Automatique, Productique, Signal et Image, Ingénierie Cognitive Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] cartographie thématique [Termes IGN] classification dirigée [Termes IGN] classification pixellaire [Termes IGN] image en couleur [Termes IGN] instrument embarqué [Termes IGN] maladie phytosanitaire [Termes IGN] modèle stochastique [Termes IGN] seuillage d'image [Termes IGN] surveillance de la végétation [Termes IGN] tenseur [Termes IGN] texture d'image [Termes IGN] traitement d'image [Termes IGN] viticulture Index. décimale : THESE Thèses et HDR Résumé : (auteur) Le mildiou de la vigne est une phytopathologie d'origine fongique particulièrement inquiétante pour la filière viticole. L'objectif de cette thèse est d'étudier les potentialités de l'imagerie couleur embarquée pour estimer l'état sanitaire des vignobles affectés par le mildiou à l'échelle intra-parcellaire. La solution proposée vise à assister les réseaux de surveillance épidémiologique dans l'estimation des risques sanitaires et dans la préconisation de plans de lutte chimique. En pratique, la chaîne de traitement d'images construite est dédiée à la détection, au dénombrement et à la mesure des tissus symptomatiques du mildiou. Cette chaîne est conçue pour traiter des images acquises directement à la parcelle dans les conditions de travail viticole.La chaîne de traitement s’appuie des représentations structure-couleur et des modèles probabilistes des classes des tissus présents dans les vignes étudiées. Elle opère en trois étapes : formuler des descripteurs pour extraire les propriétés caractéristiques et discriminantes de chaque classe ; modéliser les distributions statistiques de ces descripteurs dans chacune des classes ; affecter chaque pixel à une classe selon son adéquation à leurs modèles. Les descripteurs combinent le tenseur local de structure (LST) avec des statistiques colorimétriques calculées dans le voisinage du pixel considéré. Pour tenir compte de la nature spécifique des LST, les descripteurs font l'objet de transformations pour être représentés dans l'espace log-euclidien. Dans cet espace, il devient possible de modéliser les classes de tissus d'intérêt par des distributions de mélanges de gaussiennes multivariées des représentations structure-couleur. Enfin, la classification est réalisée par Maximum A Posteriori (MAP). Cette chaîne de traitement est appliquée dans un premier temps à des images de vigne saine. Il s'agit de segmenter une image en classes d'organes (feuillage, grappes ou inflorescences et tiges). Les classifications réalisées se montrent très performantes. De plus, la chaîne de traitement s'avère robuste au réglage des principaux hyper-paramètres.Dans un second temps, la chaîne de traitement est adaptée pour traiter des images comportant des symptômes du mildiou ainsi que des facteurs confondants tels que nécroses, décolorations, carences, plaies mécaniques. La méthode de décision s’appuie sur une reconstruction des symptômes par croissance autour de germes. Les critères utilisés reposent sur les représentations structure-couleur et les modèles probabilistes déjà définis. La nouvelle chaîne de traitement permet de détecter de façon fiable les symptômes du mildiou et d'estimer la surface des tissus affectés. Note de contenu : Introduction 1- Etat de l'art 2- -Dispositif expérimental : matériel végétal, instrumentation et protocole de suivi 3- Modéliser conjointement la texture et la couleur dans les images de proxi-détection 4- Reconnaissance des organes de la vigne 5- Détection des symptômes du mildiou de la vigne et estimation de l’intensité de l’infection Conclusion et perspectives Numéro de notice : 28573 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Automatique, Productique, Signal et Image, Ingénierie Cognitive : Bordeaux : 2019 Organisme de stage : Laboratoire de l’Intégration du Matériau au Système (Talence) nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-02499420/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97765

Supervised classification of very high resolution optical images using wavelet-based textural features / Olivier Regniers in IEEE Transactions on geoscience and remote sensing, vol 54 n° 6 (June 2016)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 54 n° 6 (June 2016) . - pp 3722 - 3735 Titre : Supervised classification of very high resolution optical images using wavelet-based textural features Type de document : Article/Communication Auteurs : Olivier Regniers, Auteur ; Lionel Bombrun, Auteur ; Virginie Lafon, Auteur ; Christian Germain, Auteur Année de publication : 2016 Article en page(s) : pp 3722 - 3735 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse multivariée [Termes IGN] classification dirigée [Termes IGN] extraction automatique [Termes IGN] image à très haute résolution [Termes IGN] image optique [Termes IGN] image panchromatique [Termes IGN] image Pléiades [Termes IGN] texture d'image Résumé : (Auteur) In this paper, we explore the potentialities of using wavelet-based multivariate models for the classification of very high resolution optical images. A strategy is proposed to apply these models in a supervised classification framework. This strategy includes a content-based image retrieval analysis applied on a texture database prior to the classification in order to identify which multivariate model performs the best in the context of application. Once identified, the best models are further applied in a supervised classification procedure by extracting texture features from a learning database and from regions obtained by a presegmentation of the image to classify. The classification is then operated according to the decision rules of the chosen classifier. The use of the proposed strategy is illustrated in two real case applications using Pléiades panchromatic images: the detection of vineyards and the detection of cultivated oyster fields. In both cases, at least one of the tested multivariate models displays higher classification accuracies than gray-level cooccurrence matrix descriptors. Its high adaptability and the low number of parameters to be set are other advantages of the proposed approach. Numéro de notice : A2016-858 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2526078 En ligne : http://dx.doi.org/10.1109/TGRS.2016.2526078 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83002 [article]