Détail de l'auteur
|
Documents disponibles écrits par cet auteur (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Very high resolution land cover mapping of urban areas at global scale with convolutional neural network / Thomas Tilak (2020)
Titre : Very high resolution land cover mapping of urban areas at global scale with convolutional neural network Type de document : Article/Communication Auteurs : Thomas Tilak , Auteur ; Arnaud Braun , Auteur ; David Chandler , Auteur ; Nicolas David , Auteur ; Sylvain Galopin , Auteur ; Amélie Lombard, Auteur ; Camille Parisel , Auteur ; Camille Parisel , Auteur ; Matthieu Porte , Auteur ; Marjorie Robert, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Autre Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B3 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 3, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Archives Commission 3 Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] BD Alti
[Termes IGN] carte d'occupation du sol
[Termes IGN] chaîne de production
[Termes IGN] chaîne de traitement
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] corrélation croisée maximale
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] Gironde (33)
[Termes IGN] image à très haute résolution
[Termes IGN] image aérienne
[Termes IGN] image multibande
[Termes IGN] modèle numérique de surface
[Termes IGN] segmentation sémantique
[Termes IGN] vectorisation
[Termes IGN] zone d'intérêt
[Termes IGN] zone urbaineRésumé : (auteur) This paper describes a methodology to produce a 7-classes land cover map of urban areas from very high resolution images and limited noisy labeled data. The objective is to make a segmentation map of a large area (a french department) with the following classes: asphalt, bare soil, building, grassland, mineral material (permeable artificialized areas), forest and water from 20cm aerial images and Digital Height Model. We created a training dataset on a few areas of interest aggregating databases, semi-automatic classification, and manual annotation to get a complete ground truth in each class. A comparative study of different encoder-decoder architectures (U-Net, U-Net with Resnet encoders, Deeplab v3+) is presented with different loss functions. The final product is a highly valuable land cover map computed from model predictions stitched together, binarized, and refined before vectorization. Numéro de notice : C2020-038 Affiliation des auteurs : IGN+Ext (2020- ) Autre URL associée : vers ArXiv Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B3-2020-201-2020 Date de publication en ligne : 21/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-201-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95079