Centre de documentation
scientifique

Multi-task fully convolutional network for tree species mapping in dense forests using small training hyperspectral data / Laura Elena Cué La Rosa in ISPRS Journal of photogrammetry and remote sensing, vol 179 (September 2021)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 179 (September 2021) . - pp 35 - 49 Titre : Multi-task fully convolutional network for tree species mapping in dense forests using small training hyperspectral data Type de document : Article/Communication Auteurs : Laura Elena Cué La Rosa, Auteur ; Camile Sothe, Auteur ; Raul Queiroz Feitosa, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 35 - 49 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] Brésil [Termes IGN] carte de la végétation [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] densité de la végétation [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] espèce végétale [Termes IGN] forêt tropicale [Termes IGN] image captée par drone [Termes IGN] image hyperspectrale [Termes IGN] segmentation sémantique Résumé : (Auteur) This work proposes a multi-task fully convolutional architecture for tree species mapping in dense forests from sparse and scarce polygon-level annotations using hyperspectral UAV-borne data. Our model implements a partial loss function that enables dense tree semantic labeling outcomes from non-dense training samples, and a distance regression complementary task that enforces tree crown boundary constraints and substantially improves the model performance. Our multi-task architecture uses a shared backbone network that learns common representations for both tasks and two task-specific decoders, one for the semantic segmentation output and one for the distance map regression. We report that introducing the complementary task boosts the semantic segmentation performance compared to the single-task counterpart in up to 11% reaching an average user’s accuracy of 88.63% and an average producer’s accuracy of 88.59%, achieving state-of-art performance for tree species classification in tropical forests. Numéro de notice : A2021-575 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.07.001 Date de publication en ligne : 28/07/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.07.001 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98175 [article]

Exemplaires(3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2021091	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2021093	DEP-RECP	Revue	LASTIG	Dépôt en unité	Exclu du prêt
081-2021092	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt