Centre de documentation
scientifique

Description et recherche d’image généralisables pour l’interconnexion et l’analyse multi-source / Dimitri Gominski (2021)  

Public Titre : Description et recherche d’image généralisables pour l’interconnexion et l’analyse multi-source Type de document : Thèse/HDR Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Directeur de thèse ; Liming Chen, Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2021 Autre Editeur : Lyon : Ecole Centrale de Lyon Projets : Alegoria / Gouet-Brunet, Valérie Note générale : bibliographie thèse soutenue le 9 nov. 2021, à l'Université Gustave Eiffel, dans le cadre de l'École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication, en partenariat avec LaSTIG - Laboratoire en Sciences et Technologies de l'Information Géographique (laboratoire). Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] appariement d'images [Termes IGN] apprentissage profond [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] image multi sources [Termes IGN] indexation sémantique [Termes IGN] méthode robuste [Termes IGN] recherche d'image basée sur le contenu Index. décimale : THESE Thèses et HDR Résumé : (auteur) Avec un volume toujours plus grand d'images accessibles numériquement, établir des connexions pour structurer et analyser les données devient d'autant plus important. Une formulation typique pour connecter entre elles des images sans utiliser de métadonnées est la recherche d'image basée contenu (RIBC). Similairement aux autres applications en vision par ordinateur, la RIBC a bénéficié du pouvoir expressif des réseaux de neurones convolutifs (CNN) et obtenu des résultats inédits sur les benchmarks usuels. Cependant, il est difficile de dire si cette performance est due à la proposition d'architectures et de modèles toujours plus évolués, ou simplement à la présence d'un jeu de données d'entraînement qui correspond bien au cas d'usage, c'est-à-dire qui a des caractéristiques visuelles et sémantiques similaires. En effet, le paradigme habituel du couple modèle-jeu d'entraînement montre ses limites dès lors qu'on sort du cas caractérisé par les données d'entraînement: la performance chute si on teste sur des données différentes ou avec une variabilité trop grande. Cette thèse s'intéresse à cette question avec un regard critique sur les méthodes d'apprentissage profond et leur potentiel réel d'application. Dans un contexte d'imagerie territoriale multi-sources, un benchmark est proposé pour caractériser un nouveau problème de recherche : la recherche d'image hétérogène, "low-data" (sans données d'entraînement), avec un cas d'utilisation où définir un jeu de données d'entraînement et une méthode "baseline" n'est pas facile. Avec ce benchmark, de nouvelles mesures sont proposées pour qualifier la capacité à généraliser du modèle dans un contexte RIBC, puis des solutions techniques qui permettent de s'affranchir de la définition hasardeuse des sus-citées "caractéristiques visuelles et sémantiques similaires". La discussion autour des résultats permet de mettre en valeur une importance probablement trop grande donnée à l'architecture des réseaux de neurones, et des pistes prometteuses dans la RIBC qui fournit des outils agnostiques du modèle utilisé, et permettant d'exploiter les avantages comparatifs de différents modèles entraînés sur différents jeux de données. Enfin, l'intérêt de cette approche généraliste est confirmé par une application à un cas où malgré l'abondance de méthodes et de données, elles sont encapsulées dans un ensemble de petits datasets et donc peu généralisables: la classification d'occupation au sol en imagerie satellite. Numéro de notice : 14738 Affiliation des auteurs : UGE-LASTIG (2020- ) Autre URL associée : vers theses Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse : : Gustave Eiffel : 2021 Organisme de stage : LaSTIG (IGN) & LIRIS (Ecole Centrale de Lyon) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-03629550 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98921

Détection et identification de zones de végétation arborée: utilisation conjointe d'images satellite RapidEye et de données BDOrtho / François Tassin (2012)

Public Titre : Détection et identification de zones de végétation arborée: utilisation conjointe d'images satellite RapidEye et de données BDOrtho Type de document : Mémoire Auteurs : François Tassin, Auteur ; Arnaud Le Bris , Encadrant ; Clément Mallet , Encadrant Editeur : Lyon : Ecole Centrale de Lyon Année de publication : 2012 Importance : 48 p. Format : 21 x 30 cm Note générale : bibliographie Rapport de Stage, Ecole Centrale Lyon Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse discriminante [Termes IGN] bande rouge [Termes IGN] BD ortho [Termes IGN] classificateur paramétrique [Termes IGN] classification dirigée [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] détection d'arbres [Termes IGN] extraction de la végétation [Termes IGN] filtre de Gabor [Termes IGN] forêt [Termes IGN] image aérienne [Termes IGN] image infrarouge couleur [Termes IGN] image RapidEye [Termes IGN] orthoimage couleur [Termes IGN] peuplement végétal [Termes IGN] texture d'image Résumé : (auteur) La production des bases de données géographiques nationales par l'IGN repose en grande partie sur le travail de photo-interprètes. Le laboratoire MATIS poursuit des recherches pour automatiser partiellement certaines étapes de la chaine de production, notamment la saisie initiale des zones de végétation arborée. L'objet de cette étude est d'étudier l'apport du satellite RapidEye, utilisé conjointement avec les images aériennes produites par l'IGN, pour deux problématiques : la détection de la végétation arborée d'une part et la discrimination des types de peuplements d'autre part. L'étude repose sur l'utilisation des images satellite RapidEye (résolution 5m) et des images aériennes de l'IGN (résolution 50cm). Deux classifieurs sont comparés, un classifieur probabiliste (modélisation statistique de la radiométrie des différentes classes) développé en interne et les "Support Vector Machines". Plusieurs combinaisons de canaux radiométriques, d'indices de végétation et d'attributs texturaux sont étudiés et l'apport de la bande spectrale red edge est discuté. Il apparait que la détection de la végétation arborée est plus efficace quand les images RapidEye sont associées à des informations texturales obtenues grâce aux images aériennes, tandis que la discrimination des espèces est plus efficace avec les images satellite. Enfin des pistes de réflexion sur la possibilité de mise à jour automatique de la base de données sont aussi abordées. Note de contenu : Introduction 1 - Organisation de l'entreprise 2 - Présentation du stage 3 - Méthodologie 4 - Détection de la végétation arborée : séparation forêt/non-forêt 5 - Discrimination des Espèces Conclusion Numéro de notice : 21687 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Rapport de stage Organisme de stage : MATIS (IGN) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90925

Documents numériques

peut être téléchargé Détection et identification... - pdf auteur - Adobe Acrobat PDF

peut être téléchargé Diaporama présentation - pdf auteur Adobe Acrobat PDF