Détail de l'auteur
Documents disponibles écrits par cet auteur (3)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Crop rotation modeling for deep learning-based parcel classification from satellite time series / Félix Quinton in Remote sensing, vol 13 n° 22 (November-2 2021)
![]()
[article]
Titre : Crop rotation modeling for deep learning-based parcel classification from satellite time series Type de document : Article/Communication Auteurs : Félix Quinton , Auteur ; Loïc Landrieu
, Auteur
Année de publication : 2021 Projets : 3-projet - voir note / Article en page(s) : n° 4599 Note générale : bibliographie
This research was funded by the French Payment Agency ASP.Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] carte agricole
[Termes IGN] données étiquetées d'entrainement
[Termes IGN] image Sentinel-MSI
[Termes IGN] parcelle agricole
[Termes IGN] rotation de culture
[Termes IGN] série temporelleRésumé : (auteur) While annual crop rotations play a crucial role for agricultural optimization, they have been largely ignored for automated crop type mapping. In this paper, we take advantage of the increasing quantity of annotated satellite data to propose to model simultaneously the inter- and intra-annual agricultural dynamics of yearly parcel classification with a deep learning approach. Along with simple training adjustments, our model provides an improvement of over 6.3% mIoU over the current state-of-the-art of crop classification, and a reduction of over 21% of the error rate. Furthermore, we release the first large-scale multi-year agricultural dataset with over 300,000 annotated parcels. Numéro de notice : A2021-934 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/rs13224599 Date de publication en ligne : 16/11/2021 En ligne : https://doi.org/10.3390/rs13224599 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99539
in Remote sensing > vol 13 n° 22 (November-2 2021) . - n° 4599[article]Suivi de la rotation des cultures à partir de séries temporelles d’images satellite / Félix Quinton (2021)
![]()
Titre : Suivi de la rotation des cultures à partir de séries temporelles d’images satellite Type de document : Mémoire Auteurs : Félix Quinton , Auteur ; Loïc Landrieu
, Encadrant
Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 49 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de stage de fin d’études Cycle des Ingénieurs diplômés de l’ENSG 3ème année, TSILangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] classification automatique
[Termes IGN] cultures
[Termes IGN] image Sentinel-MSI
[Termes IGN] parcelle agricole
[Termes IGN] politique agricole commune
[Termes IGN] recensement agricole
[Termes IGN] série temporelle
[Termes IGN] subvention
[Termes IGN] variation saisonnièreIndex. décimale : MTSI Mémoires du Master Technologies des Systèmes d'Information Résumé : (auteur) La politique agricole commune (PAC) mise en place dans les pays de l’Union Européenne est chargée de l’attribution de subventions aux agriculteurs des états membres, qui totalisent près de 50 milliards d’euros chaque année. Afin d’attribuer correctement ces subventions, il est nécessaire de recenser les types de cultures présents dans chaque parcelle tous les ans. Une automatisation du processus est donc souhaitable. Les séries temporelles d’images satellite constituent aujourd’hui la principale source de données utilisée pour la surveillance automatique de la Terre et sont de fait, la principale source de données utilisée en classification automatique. Nous proposons une nouvelle approche basée sur l’utilisation des séries temporelles d’images satellites pluriannuelles en opposition aux séries temporelles mono-année utilisées actuellement. Notre approche permet d’améliorer les performances des modèles de 7.7% par rapport aux modèles constituant l’état de l’art actuel. Dans une optique de suivit des cultures à partir d’imagerie satellite, l’utilisation de données pluriannuelles s’impose donc comme une nécessité. Note de contenu :
1- Introduction
2- Etat de l’art de la modélisation mono-annuelle des cultures agricoles
3- Etat de l’art de la modélisation pluriannuelles des cultures agricoles
4- Généralisation Temporelle
5- Modélisation Pluriannuelle
6- Analyse statistique
7- Gestion de projet
8- PerspectivesNuméro de notice : 28424 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : Lastig, IGN (Saint-Mandé) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98767 Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 28424-01 MTSI Livre Centre de documentation Travaux d'élèves Disponible Documents numériques
peut être téléchargé
Suivi de la rotation des cultures... - pdf auteur -Adobe Acrobat PDF
Titre : Inferring the scale and content of a map using deep learning Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Florentin Brisebard, Auteur ; Félix Quinton
, Auteur ; Azelle Courtial
, Auteur
Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B4 Projets : ACTIVmap / Favreau, Jean-Marie Conférence : ISPRS 2020, Commission 4, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Archives Commission 4 Importance : pp 17 - 24 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] apprentissage profond
[Termes IGN] carte numérisée
[Termes IGN] carte scolaire
[Termes IGN] carte tactile
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] échelle cartographique
[Termes IGN] formation
[Termes IGN] généralisation
[Termes IGN] géographie physique
[Termes IGN] personne non-voyanteRésumé : (auteur) Visually impaired people cannot use classical maps but can learn to use tactile relief maps. These tactile maps are crucial at school to learn geography and history as well as the other students. They are produced manually by professional transcriptors in a very long and costly process. A platform able to generate tactile maps from maps scanned from geography textbooks could be extremely useful to these transcriptors, to fasten their production. As a first step towards such a platform, this paper proposes a method to infer the scale and the content of the map from its image. We used convolutional neural networks trained with a few hundred maps from French geography textbooks, and the results show promising results to infer labels about the content of the map (e.g. "there are roads, cities and administrative boundaries"), and to infer the extent of the map (e.g. a map of France or of Europe). Numéro de notice : C2020-002 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B4-2020-17-2020 Date de publication en ligne : 24/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B4-2020-17-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95391