Détail de l'auteur
Documents disponibles écrits par cet auteur (8)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Ship identification and characterization in Sentinel-1 SAR images with multi-task deep learning / Clément Dechesne in Remote sensing, Vol 11 n° 24 (December-2 2019)
[article]
Titre : Ship identification and characterization in Sentinel-1 SAR images with multi-task deep learning Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Sébastien Lefèvre, Auteur ; Rodolphe Vadaine, Auteur ; Guillaume Hajduch, Auteur ; Ronan Fablet, Auteur Année de publication : 2019 Projets : SESAME / Fablet, Ronan Article en page(s) : n° 2997 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] détection de cible
[Termes IGN] image Sentinel-SAR
[Termes IGN] navire
[Termes IGN] objet mobileRésumé : (auteur) The monitoring and surveillance of maritime activities are critical issues in both military and civilian fields, including among others fisheries’ monitoring, maritime traffic surveillance, coastal and at-sea safety operations, and tactical situations. In operational contexts, ship detection and identification is traditionally performed by a human observer who identifies all kinds of ships from a visual analysis of remotely sensed images. Such a task is very time consuming and cannot be conducted at a very large scale, while Sentinel-1 SAR data now provide a regular and worldwide coverage. Meanwhile, with the emergence of GPUs, deep learning methods are now established as state-of-the-art solutions for computer vision, replacing human intervention in many contexts. They have been shown to be adapted for ship detection, most often with very high resolution SAR or optical imagery. In this paper, we go one step further and investigate a deep neural network for the joint classification and characterization of ships from SAR Sentinel-1 data. We benefit from the synergies between AIS (Automatic Identification System) and Sentinel-1 data to build significant training datasets. We design a multi-task neural network architecture composed of one joint convolutional network connected to three task specific networks, namely for ship detection, classification, and length estimation. The experimental assessment shows that our network provides promising results, with accurate classification and length performance (classification overall accuracy: 97.25%, mean length error: 4.65 m ± 8.55 m). Numéro de notice : A2019-632 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/rs11242997 Date de publication en ligne : 13/12/2019 En ligne : https://doi.org/10.3390/rs11242997 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95325
in Remote sensing > Vol 11 n° 24 (December-2 2019) . - n° 2997[article]
Titre : Forest stand extraction: which optimal remote sensing data source(s)? Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2018 Projets : HYEP / Weber, Christiane Conférence : IGARSS 2018, IEEE International Geoscience And Remote Sensing Symposium, observing, understanding and forecasting the dynamics of our planet 22/07/2018 27/07/2018 Valencia Espagne Proceedings IEEE Importance : pp 7283 - 7285 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] Abies (genre)
[Termes IGN] classification dirigée
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] Fagus (genre)
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] montagne
[Termes IGN] peuplement forestier
[Termes IGN] Picea abies
[Termes IGN] Pinus sylvestris
[Termes IGN] Pseudotsuga menziesii
[Termes IGN] Quercus (genre)
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] Vosges, massif desRésumé : (auteur) It has been now widely assessed in the literature that both multi/hyperspectral optical images and 3D lidar point clouds are necessary inputs for tree species based forest stand detection. Nevertheless, no comprehensive analysis of the genuine relevance of each data source has been performed so far: existing strategies are limited to a single spatial and spectral resolution. This paper investigates which is the optimal combination of geospatial optical images and lidar point clouds. A supervised semantic segmentation framework is fed with various sources (multispectral satellite and airborne images, hyperspectral airborne images, low, medium and high density lidar point clouds), ablation cases are defined, and the discrimination performance of several fusion schemes is assessed under a challenging mountainous area in France. Numéro de notice : C2018-049 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2018.8518803 Date de publication en ligne : 05/11/2018 En ligne : https://doi.org/10.1109/IGARSS.2018.8518803 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91272 Documents numériques
peut être téléchargé
Forest stand extraction ... - pdf auteurAdobe Acrobat PDF Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery / Clément Dechesne in ISPRS Journal of photogrammetry and remote sensing, vol 126 (April 2017)
[article]
Titre : Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Année de publication : 2017 Projets : HYEP / Weber, Christiane Article en page(s) : pp 129 – 145 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] classification automatique
[Termes IGN] classification dirigée
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] espèce végétale
[Termes IGN] extraction d'arbres
[Termes IGN] fusion d'images
[Termes IGN] image aérienne
[Termes IGN] image multibande
[Termes IGN] peuplement forestier
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (auteur) Forest stands are the basic units for forest inventory and mapping. Stands are defined as large forested areas (e.g., ⩾⩾2 ha) of homogeneous tree species composition and age. Their accurate delineation is usually performed by human operators through visual analysis of very high resolution (VHR) infra-red images. This task is tedious, highly time consuming, and should be automated for scalability and efficient updating purposes. In this paper, a method based on the fusion of airborne lidar data and VHR multispectral images is proposed for the automatic delineation of forest stands containing one dominant species (purity superior to 75%). This is the key preliminary task for forest land-cover database update. The multispectral images give information about the tree species whereas 3D lidar point clouds provide geometric information on the trees and allow their individual extraction. Multi-modal features are computed, both at pixel and object levels: the objects are individual trees extracted from lidar data. A supervised classification is then performed at the object level in order to coarsely discriminate the existing tree species in each area of interest. The classification results are further processed to obtain homogeneous areas with smooth borders by employing an energy minimum framework, where additional constraints are joined to form the energy function. The experimental results show that the proposed method provides very satisfactory results both in terms of stand labeling and delineation (overall accuracy ranges between 84% and 99%). Numéro de notice : A2017-116 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.02.011 Date de publication en ligne : 27/02/2017 En ligne : http://dx.doi.org/10.1016/j.isprsjprs.2017.02.011 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84511
in ISPRS Journal of photogrammetry and remote sensing > vol 126 (April 2017) . - pp 129 – 145[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2017041 RAB Revue Centre de documentation En réserve L003 Disponible 081-2017043 DEP-EXM Revue LASTIG Dépôt en unité Exclu du prêt 081-2017042 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt How to combine lidar and very high resolution multispectral images for forest stand segmentation? / Clément Dechesne (2017)
Titre : How to combine lidar and very high resolution multispectral images for forest stand segmentation? Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2017 Projets : 2-Pas d'info accessible - article non ouvert / Weber, Christiane Conférence : IGARSS 2017, IEEE International Geoscience And Remote Sensing Symposium 23/07/2017 28/07/2017 Fort Worth Texas - Etats-Unis Proceedings IEEE Importance : pp 2772 - 2775 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image infrarouge
[Termes IGN] image multibande
[Termes IGN] inventaire forestier (techniques et méthodes)
[Termes IGN] peuplement forestier
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Vedettes matières IGN] Inventaire forestierRésumé : (auteur) Forest stands are a basic unit of analysis for forest inventory and mapping. Stands are defined as large forested areas of homogeneous tree species composition and age. Their accurate delineation is usually performed by human operators through visual analysis of very high resolution (VHR) infra-red and visible images. This task is tedious, highly time consuming, and needs to be automated for scalability and efficient updating purposes. The most appropriate fusion of two remote sensing modalities (lidar and multispectral images) is investigated here. The multispectral images give information about the tree species while 3D lidar point clouds provide geometric information. The fusion is operated at three different levels within a semantic segmentation workflow: over-segmentation, classification, and regularization. Results show that over-segmentation can be performed either on lidar or optical images without performance loss or gain, whereas fusion is mandatory for efficient semantic segmentation. Eventually, the fusion strategy dictates the composition and nature of the forest stands, assessing the high versatility of our approach. Numéro de notice : C2017-039 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2017.8127572 Date de publication en ligne : 04/12/2017 En ligne : https://doi.org/10.1109/IGARSS.2017.8127572 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91921 Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers / Clément Dechesne (2017)
Titre : Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers Titre original : Semantic segmentation of multimodal remote sensing data : case study of forest stands Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2017 Conférence : ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur 12/06/2017 16/06/2017 Colleville-sur-Mer France open access proceedings Importance : 8 p. Note générale : Bibliographie Langues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] arbre (flore)
[Termes IGN] attribut géomètrique
[Termes IGN] attribut sémantique
[Termes IGN] base de données localisées IGN
[Termes IGN] classification dirigée
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] espèce végétale
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] méthode de réduction d'énergie
[Termes IGN] peuplement forestier
[Termes IGN] précision de la classification
[Termes IGN] segmentation sémantiqueRésumé : (Auteur) La délimitation des peuplements forestiers est une connaissance fondamentale pour la gestion des forêts, pour les politiques publiques, pour l’aménagement du territoire, etc. Cette tâche est encore principalement réalisée manuellement par photo-interprétation d’images géospatiales à (très) haute résolution spatiale (THR). La délimitation des peuplements a été peu abordée dans la littérature, et s’est principalement intéressée, dans des environnements forestiers, à l’extraction individuelle des arbres, qui reste imprécise, et la classification des espèces d’arbres, qui présente des résultats peu satisfaisants. Dans cet article, une méthode fondée sur la fusion des données lidar aéroportées et des images multispectrales THR est proposée pour la délimitation automatique des peuplements forestiers. Les images multispectrales donnent des informations sur les espèces d’arbres, tandis que les nuages de points lidar 3D fournissent des informations géométriques (sur la hauteur principalement). Des attributs multimodaux sont calculés, à la fois au niveau du pixel et de l’objet : les objets sont obtenus à partir d’une sur-segmentation. Une classification supervisée est ensuite effectuée au niveau de l’objet afin de discriminer grossièrement les espèces d’arbres existantes dans chaque zone d’intérêt. Les résultats de la classification sont ensuite traités pour obtenir des zones homogènes avec des frontières lisses par minimisation d’énergie. La formulation de l’énergie comporte deux parties ; une liée à la classification, et une autre dans laquelle des contraintes supplémentaires liées aux attributs précédemment calculés, sont ajoutées. Le modèle énergétique est efficace avec un gain de précision jusqu’à 15% par rapport à la classification au niveau de l’objet. Les résultats de la segmentation utilisant ce modèle ont une précision allant de 96% à 99% par rapport à la Base de Données Forêt de l’IGN. Numéro de notice : C2017-015 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://hal.archives-ouvertes.fr/hal-01866680 Format de la ressource électronique : vers HAL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=87048 Documents numériques
en open access
C2017-015-Segmentation sémantique - version auteurAdobe Acrobat PDF Segmentation sémantique de peuplements forestiers par analyse conjointe d’imagerie multispectrale très haute résolution et de données 3D Lidar aéroportées / Clément Dechesne (2017)PermalinkForest stand segmentation using airborne lidar data and very high resolution multispectral imagery / Clément Dechesne (2016)PermalinkFast forward feature selection of hyperspectral images for classification with gaussian mixture models / Mathieu Fauvel in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol 8 n° 6 (June 2015)Permalink