Centre de documentation
scientifique

AI4GEO: LOD0 Generation for 3D building models / Pierre Lassalle (2023)  

Public Titre : AI4GEO: LOD0 Generation for 3D building models Type de document : Article/Communication Auteurs : Pierre Lassalle, Auteur ; Bruno Vallet , Auteur ; Etienne Le Bihan, Auteur ; Pierre-Marie Brunet, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2023 Projets : AI4GEO / Conférence : JURSE 2023, Joint Urban Remote Sensing Event 17/05/2023 19/05/2023 Heraklion Grèce Proceedings IEEE Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] image satellite [Termes IGN] niveau de détail [Termes IGN] reconstruction 3D du bâti [Termes IGN] zone urbaine Résumé : (Auteur) Recent studies on Earth observation are improved by the proliferation of imaging sensors able to capture large datasets with a high spatial resolution. As a result, many approaches have been proposed for 3D modeling, remote sensing (RS), image processing and mapping. In this scope, three-dimensional (3D) mapping of urban areas has a great potential to provide the user with a precise scene understanding. The AI4GEO project aims at developing an automatic solution for producing 3D geospatial information with new added-value services. This paper will first introduce the AI4GEO initiative, context and overall objectives. It will then present the current status regarding 3D reconstruction of urban areas, in particular LOD0 building shape generation using satellite data. Numéro de notice : C2023-010 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/JURSE57346.2023.10144155 Date de publication en ligne : 08/06/2023 En ligne : https://doi.org/10.1109/JURSE57346.2023.10144155 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103311

AI4GEO: A path from 3D model to digital twin / Pierre-Marie Brunet (2022)  

Public Titre : AI4GEO: A path from 3D model to digital twin Type de document : Article/Communication Auteurs : Pierre-Marie Brunet, Auteur ; Simon Baillarin, Auteur ; Pierre Lassalle, Auteur ; Flora Weissgerber, Auteur ; Bruno Vallet , Auteur ; Christophe Triquet, Auteur ; Gilles Foulon, Auteur ; Gaëlle Romeyer , Auteur ; Gwénaël Souillé, Auteur ; Laurent Gabet, Auteur ; Cedrik Ferrero, Auteur ; Thanh-Long Huynh, Auteur ; Emeric Lavergne, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2022 Projets : AI4GEO / Conférence : IGARSS 2022, IEEE International Geoscience And Remote Sensing Symposium 17/07/2022 22/07/2022 Kuala Lumpur Malaysie Proceedings IEEE Importance : pp 4728 - 4731 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] CityGML [Termes IGN] données localisées 3D [Termes IGN] jumeau numérique [Termes IGN] segmentation sémantique [Termes IGN] ville intelligente Résumé : (auteur) 3D Geospatial information plays a key role in many soaring sectors such as sustainable and smart cities, climate monitoring, ecological mobility, and economic intelligence. The availability of huge volumes of satellite, airborne and insitu data now makes this production feasible at large scale. It needs nonetheless a certain level of manual intervention to secure the level of quality, which prevents mass production. This paper presents the AI4GEO program that aims at developing an end to end solution to produce automatically qualified 3D Digital model at scale together with multiple layers of information. Numéro de notice : C2022-040 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS46834.2022.9883433 Date de publication en ligne : 28/09/2022 En ligne : https://doi.org/10.1109/IGARSS46834.2022.9883433 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101768

Cross-dataset learning for generalizable land use scene classification / Dimitri Gominski (2022)  

Public Titre : Cross-dataset learning for generalizable land use scene classification Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2022 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : EarthVision 2022, Large Scale Computer Vision for Remote Sensing Imagery, workshop joint to CVPR 2022 19/06/2022 24/06/2022 New Orleans Louisiane - Etats-Unis OA Proceedings Importance : pp 1382 - 1391 Note générale : bibliographie in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2022, pp. 1382-1391 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] cadre conceptuel [Termes IGN] descripteur [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] intelligence artificielle [Termes IGN] scène urbaine [Termes IGN] segmentation sémantique [Termes IGN] utilisation du sol Résumé : (auteur) Few-shot and cross-domain land use scene classification methods propose solutions to classify unseen classes or uneen visual distributions, but are hardly applicable to real-world situations due to restrictive assumptions. Few-shot methods involve episodic training on restrictive training subsets with small feature extractors, while cross-domain methods are only applied to common classes. The underlying challenge remains open: can we accurately classify new scenes on new datasets? In this paper, we propose a new framework for few-shot, cross-domain classification. Our retrieval-inspired approach exploits the interrelations in both the training and testing data to output class labels using compact descriptors. Results show that our method can accurately produce land-use predictions on unseen datasets and unseen classes, going beyond the traditional few-shot or cross-domain formulation, and allowing cross-dataset training. Numéro de notice : C2022-031 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers IEEE Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPRW56347.2022.00144 En ligne : https://openaccess.thecvf.com/content/CVPR2022W/EarthVision/papers/Gominski_Cros [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101087

Deep-learning based multiple land-cover map translation / Luc Baudoux (2022)  

Public Titre : Deep-learning based multiple land-cover map translation Type de document : Article/Communication Auteurs : Luc Baudoux , Auteur ; Jordi Inglada, Auteur ; Clément Mallet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2022 Projets : 1-Pas de projet / Gouet-Brunet, Valérie Conférence : IGARSS 2022, IEEE International Geoscience And Remote Sensing Symposium 17/07/2022 22/07/2022 Kuala Lumpur Malaysie Proceedings IEEE Importance : pp 1260 - 1263 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées [Termes IGN] apprentissage profond [Termes IGN] base de données d'occupation du sol [Termes IGN] cadre conceptuel [Termes IGN] carte d'occupation du sol [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] segmentation sémantique Résumé : (auteur) This paper presents a framework for simultaneously translating multiple land-cover maps into a given one in a supervised way. Conversely to existing approaches working on 1–1 translation, we propose a multi-translation setup that increases the generalizability and translation performance, especially on land-cover maps covering restricted spatial extents. The proposed method mainly assumes that the map of interest spatially overlaps at least with one of the other maps. High performance translation is achieved with a Convolutional Neural Network (CNN) based encoder-decoder frame-work trained with three goals: (i) high-quality translation; (ii) self-reconstruction ability; (iii) mapping of all datasets into a common representation space. Country-scale experimental results show the method effectiveness in translating six highly heterogeneous land-cover maps, achieving significantly better results than the traditional semantic-based method and better results than CNN trained for a 1–1 translation task (+ 9.7% in Overall Accuracy (OA) and +12% in macro F1-score (mF1)). Numéro de notice : C2022-039 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : https://hal.science/hal-03983066v1/document Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS46834.2022.9883056 En ligne : https://doi.org/10.1109/IGARSS46834.2022.9883056 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101765

In situ C-band data for wheat physiological functioning monitoring in the South Mediterranean region / Nadia Ouaadi (2022)  

Public Titre : In situ C-band data for wheat physiological functioning monitoring in the South Mediterranean region Type de document : Article/Communication Auteurs : Nadia Ouaadi, Auteur ; Ludovic Villard, Auteur ; Saïd Khabba, Auteur ; Pierre-Louis Frison , Auteur ; Jamal Ezzahar, Auteur ; Mohamed Kasbani, Auteur ; Adnane Chakir , Auteur ; Pascal Fanise, Auteur ; Valérie Le Dantec, Auteur ; Mehrez Zribi, Auteur ; Salah Er-Raki, Auteur ; Lionel Jarlan, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2022 Projets : 2-Pas d'info accessible - article non ouvert / Gouet-Brunet, Valérie Conférence : IGARSS 2022, IEEE International Geoscience And Remote Sensing Symposium 17/07/2022 22/07/2022 Kuala Lumpur Malaysie Proceedings IEEE Importance : pp 4951 - 4954 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] bande C [Termes IGN] blé (céréale) [Termes IGN] coefficient de rétrodiffusion [Termes IGN] cohérence photométrique [Termes IGN] variation diurne Résumé : (auteur) Irrigated agriculture is the largest consumer of freshwater in the world, particularly in the South Mediterranean region that is already suffering from water shortages. Monitoring the water stress status of plants can contribute to an optimal use of irrigation. C-band radar data have shown great potential for monitoring soil and vegetation hydric conditions. While a diurnal cycle up to 1 dB has been observed over tropical forests, the behavior of annual crops is yet to be investigated. In this context, an experiment composed of a radar setup with 6 C-band antennas was installed in Morocco over a wheat field. 15 minutes full polarization acquisitions of the backscattering coefficient and the interferometric coherence are analyzed in relation with the physiological functioning of wheat. In this paper, the first results from the analysis of data collected during the 2020 growing season are presented. The results reveal the existence of a diurnal cycle of the interferometric coherence and the backscattering coefficient (up to 0.45 and 1.5 dB, respectively) with amplitudes increase in relation with vegetation development. Numéro de notice : C2022-041 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS46834.2022.9884289 Date de publication en ligne : 28/09/2022 En ligne : https://doi.org/10.1109/IGARSS46834.2022.9884289 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101769

Predicting AIS reception using tropospheric propagation forecast and machine learning / Zackary Vanche (2022)  

Permalink

Towards a transportable Yb lattice clock at SYRTE / Wilfreddy Moreno (2022)  

Permalink

Assessing the interest of a multi-modal gap-filling strategy for monitoring changes in grassland parcels / Anatol Garioud (2021)  

Permalink

Assessment of sky diffuse irradiance and building reflected irradiance in cast shadows / Manchun Lei (2021)  

Permalink

Contextual land-cover map translation with semantic segmentation / Luc Baudoux (2021)  

Permalink

Copernicus Sentinel-2 geometric calibration status / Sébastien Clerc (2021)  

Permalink

Diurnal cycles of C-band temporal coherence and backscattering coefficient over an olive orchard in a semi-arid area: Comparison of in situ and Sentinel-1 radar observations / Adnane Chakir (2021)  

Permalink

Diurnal cycles of C-band temporal coherence and backscattering coefficient over a wheat field in a semi-arid area / Nadia Ouaadi (2021)  

Permalink

Efficiently distributed watertight surface reconstruction / Laurent Caraffa (2021)  

Permalink

Representing shape collections with alignment-aware linear models / Romain Loiseau (2021)  

Permalink