Détail de l'auteur
Auteur Martin Simonovsky |
Documents disponibles écrits par cet auteur (3)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Titre : Large-scale point cloud semantic segmentation with superpoint graphs Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Martin Simonovsky, Auteur
Editeur : Computer vision foundation CVF Année de publication : 2018 Projets : 1-Pas de projet / Conférence : CVPR 2018, IEEE Conference on Computer Vision and Pattern Recognition 18/06/2018 22/06/2018 Salt Lake City Utah - Etats-Unis Open Access Proceedings Importance : pp 4558 - 4567 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] graphe
[Termes IGN] prise en compte du contexte
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsMots-clés libres : superpoint graph (SPG) Résumé : (auteur) We propose a novel deep learning-based framework to tackle the challenge of semantic segmentation of largescale point clouds of millions of points. We argue that the organization of 3D point clouds can be efficiently captured by a structure called superpoint graph (SPG), derived from a partition of the scanned scene into geometrically homogeneous elements. SPGs offer a compact yet rich representation of contextual relationships between object parts, which is then exploited by a graph convolutional network. Our framework sets a new state of the art for segmenting outdoor LiDAR scans (+11.9 and +8.8 mIoU points for both Semantic3D test sets), as well as indoor scans (+12.4 mIoU points for the S3DIS dataset). Numéro de notice : C2018-050 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Autre URL associée : http://openaccess.thecvf.com/CVPR2018_search.py/https://doi.org/10.1109/CVPR.2018.00479 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPR.2018.00479 Date de publication en ligne : 28/03/2018 En ligne : https://arxiv.org/abs/1711.09869v2 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91310 Documents numériques
peut être téléchargé
Large-scale point cloud semantic segmentation ... - pdf éditeurAdobe Acrobat PDF
Titre : Segmentation sémantique à grande échelle par graphes de superpoints Type de document : Article/Communication Auteurs : Loïc Landrieu Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : 1-Pas de projet / Conférence : RFIAP 2018, Reconnaissance des Formes, Image, Apprentissage et Perception 01/06/2018 01/06/2018 Champs-sur-Marne France Open Access Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] graphe
[Termes IGN] réseau neuronal convolutif
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (auteur) Nous proposons dans cet article une méthode pour la segmentation sémantique de nuages de millions de points basée sur l’apprentissage profond. Nous introduisons une nouvelle structure pour les nuages de points 3D appelée graphe de superpoints (superpoint graph, ou SPG), capable d’encoder de manière compacte l’organisation d’un nuage de points en sous-objets interconnectés. Notre méthode définit un nouvel état de l’art pour la segmentation sémantique de scans LiDAR aussi bien en extérieur (+11:9 et +8:8 points de mIoU pour les deux ensembles de tests de Semantic3D [13]), ainsi qu’en extérieur (+12:4 points de mIoU pour les acquisitions S3DIS [2]). Cet article est une traduction de l’article [25]. Numéro de notice : C2018-061 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans Date de publication en ligne : 28/06/2018 En ligne : https://rfiap2018.ign.fr/programmeRFIAP Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91381 Documents numériques
en open access
Segmentation sémantique à grande échelle ... - pdf éditeurAdobe Acrobat PDFSuperPoint Graph : segmentation sémantique de nuages de points LiDAR à grande échelle / Loïc Landrieu (2018)
contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)
Titre : SuperPoint Graph : segmentation sémantique de nuages de points LiDAR à grande échelle Type de document : Article/Communication Auteurs : Loïc Landrieu Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] méthode de réduction d'énergie
[Termes IGN] réseau neuronal artificiel
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (Auteur) SuperPoint Graph est un nouvel algorithme permettant la sémantisation précise de très grands volumes de nuages de points acquis par LiDAR. Il repose sur une partition du nuage en formes simples à l'aide d'un modèle d'énergie globale, qui permet de réduire considérablement la taille et la complexité des entrées. Une représentation profonde de chaque forme est obtenue grâce à un réseau de neurones spécialisé dans le traitement de petits nuages de points. Enfin, un réseau de réseaux de neurones récurrents spatialement structuré permet d'exploiter les relations contextuelles entre formes. La précision des résultats obtenus a permis à SuperPoint Graph de se hisser à la tête de plusieurs benchmarks internationaux. Numéro de notice : C2018-088 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91540 Documents numériques
en open access
SuperPoint Graph - diaporama de présentationAdobe Acrobat PDF
