Centre de documentation
scientifique

Development of object detectors for satellite images by deep learning / Alissa Kouraeva (2022)

Public Titre : Development of object detectors for satellite images by deep learning Type de document : Mémoire Auteurs : Alissa Kouraeva, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 57 p. Format : 21 x 30 cm Note générale : bibliographie Mémoire d'ingénieur 3e année, Cycle PPMD Photogrammétrie, Positionnement et Mesure de Déformation Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse d'image orientée objet [Termes IGN] angle d'incidence [Termes IGN] apprentissage profond [Termes IGN] détection du bâti [Termes IGN] image aérienne [Termes IGN] image Pléiades-HR [Termes IGN] image Pléiades-Neo [Termes IGN] jeu de données [Termes IGN] OpenStreetMap [Termes IGN] réalité de terrain [Termes IGN] recalage d'image Mots-clés libres : Frame Field Learning algorithm Index. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) With various uses cases in different sectors - marine, cartography, defense - object detection in satellite images is at the heart of image processing methods. This study aims to test existing building detection algorithms and improve them with the final goal being a precise cartography of buildings for 3D reconstruction with a high level of details. The Polygonization by Frame Field Learning algorithm is tested on different types of images: aerial images (50cm resolution), satellite images with 50cm (Pleiades) and 30cm (Pleiades Neo) resolutions. The ground truth is either already provided (Digitanie) or has to be retrieved from open access databases (OSM or BD TOPO IGN). Some problems of ground truth overlap appear in Pleiades neo images due to the relative precision in positioning of different data and also due to the incidence angle, that provides a greater revisiting capability. A re-implementation of the Frame Field Learning algorithm with the PyTorch Lightning framework is done in this study, with different experiments conducted concerning the configuration of the algorithm. Note de contenu : Introduction 1- Data 2- Methods 3- Results and discussion Conclusion Numéro de notice : 24052 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Airbus Defence and Space Geo SA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101926

Semantic segmentation of sea ice type on Sentinel-1 SAR data using convolutional neural networks / Alissa Kouraeva (2021) 

Public Titre : Semantic segmentation of sea ice type on Sentinel-1 SAR data using convolutional neural networks Type de document : Mémoire Auteurs : Alissa Kouraeva, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 40 p. Format : 21 x 30 cm Note générale : Bibliographie Rapport de projet pluridisciplinaire, cycle ING2 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] carte thématique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] eau de mer [Termes IGN] géovisualisation [Termes IGN] glace de mer [Termes IGN] image Aqua-AMSR [Termes IGN] image Sentinel-SAR [Termes IGN] matrice de confusion [Termes IGN] restauration d'image [Termes IGN] segmentation sémantique Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) La classification des types de glace marine est une composante essentielle de l’observation de la banquise dans les régions polaires. La présente étude cherche à améliorer l’automatisation de la construction de cartes de type de glace (ice charts), d’habitude manuellement réalisées par des experts, en utilisant des réseaux de neurones convolutifs (CNN). Les réseaux utilisent des données radar issues des missions Sentinel-1, et des données micro-ondes passif (AMSR2) en entrée. La cible de ces réseaux est composée de cartes de type de glace utilisées pour la navigation. Une carte de types de glace se présente sous la forme de multiples polygones. Elle montre les concentrations partielles, les stades de développement ainsi que les formes des trois types de glaces dominants. La glace est considérée comme uniforme au sein d’un polygone. Cependant, les cartes de type de glaces ne sont pas une fidèle représentation de la réalité, car les pixels au sein d’un polygone appartiennent à différentes classes. De plus, le niveau de détail d’un polygone est grossier et les experts peuvent faire des erreurs dans la classification du type de glace. Afin de minimiser ce type d’erreur, nous utilisons deux types d’encodage one-hot (binaire et continu) qui améliorent la représentation des types de glace et prennent en compte les incertitudes. Plusieurs configurations de réseaux de neurones sont testées lors de tests de sensibilité. Parmi elles, deux sont retenues car les plus performantes pour trois types de surfaces (eau, glace de première année, glace de plusieurs années) en termes de valeur de précision, de fonction de perte et de visualisation. Note de contenu : Introduction 1. Data 1.1 Sentinel-1 SAR data 1.2 AMSR2 PMW data 1.3 Ice charts 2. Methods 2.1 Data preprocessing 2.2 Experiments with CNN architecture 3. Results 3.1 Evolution of validation loss 3.2 Evolution of accuracy 3.3 Optimal CNN architectures 3.4 Individual patches inferred from a test image 3.5 Maps of sea ice types inferred from test images 4. Discussion 4.1 Interpretation of SIGRID codes 4.2 Evaluation of CNN performance 4.3 Selection of the best network 4.4 Future work 5. Internship feedback 5.1 General feedback 5.2 Organisation during the internship A Confusion Matrices B Figures Numéro de notice : 26608 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Nansen Environmental and Remote Sensing Center NERSC Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98534

Documents numériques

peut être téléchargé Semantic segmentation of sea ice type on Sentinel-1 SAR data... - pdf auteur Adobe Acrobat PDF