Centre de documentation
scientifique

Actualité

L'actu ! Horaires du CDOS

Le centre est ouvert en salle de travail du lundi au vendredi, de 08h30 à 19h00. Les prêts physiques sont suspendus pour le moment. Merci d'adr...

Consulter les archives

Dernière publication Consultez les parutions du CDoS

Informations pratiques

Le centre de documentation scientifique
de l'Institut est aussi celui de l'ENSG-Géomatique.

Envoyez un mail au contact ci-dessous pour vos demandes.

Contact : cdos@ign.fr

Comment venir ?
Pour se rendre au centre de documentation, se reporter au 'Plan d'accès au bâtiment' tout en bas de page à droite. Le centre se trouve dans le bâtiment de l'ENSG. On y accède par le hall, entre l'aile Cassini et l'aile Laplace.

Mots RAMEAU représentant le fonds du centre de documentation
géomatique, géodésie, réseaux (géodésie), systèmes de localisation par satellites,
imagerie satellitaire, traitement d'images, photogrammétrie, lasergrammétrie,
systèmes d'information géographique, données géospatiales, cartographie,
géographie - base de données

Nouvelle recherche

Binary patterns encoded convolutional neural networks for texture recognition and remote sensing scene classification / Rama Rao Nidamanuri in ISPRS Journal of photogrammetry and remote sensing, vol 138 (April 2018)

Public

[article]
inISPRS Journal of photogrammetry and remote sensing > vol 138 (April 2018) . - pp 74 - 85

Titre :	Binary patterns encoded convolutional neural networks for texture recognition and remote sensing scene classification
Type de document :	Article/Communication
Auteurs :	Rama Rao Nidamanuri, Auteur ; Fahad Shahbaz Khan, Auteur ; Joost van de Weijer, Auteur ; Matthieu Molinier, Auteur ; Jorma Laaksonen, Auteur
Année de publication :	2018
Article en page(s) :	pp 74 - 85
Note générale :	Bibliographie
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse texturale [Termes IGN] apprentissage profond [Termes IGN] classification [Termes IGN] image RVB [Termes IGN] motif binaire local [Termes IGN] réseau neuronal convolutif [Termes IGN] texture d'image
Résumé :	(Auteur) Designing discriminative powerful texture features robust to realistic imaging conditions is a challenging computer vision problem with many applications, including material recognition and analysis of satellite or aerial imagery. In the past, most texture description approaches were based on dense orderless statistical distribution of local features. However, most recent approaches to texture recognition and remote sensing scene classification are based on Convolutional Neural Networks (CNNs). The de facto practice when learning these CNN models is to use RGB patches as input with training performed on large amounts of labeled data (ImageNet). In this paper, we show that Local Binary Patterns (LBP) encoded CNN models, codenamed TEX-Nets, trained using mapped coded images with explicit LBP based texture information provide complementary information to the standard RGB deep models. Additionally, two deep architectures, namely early and late fusion, are investigated to combine the texture and color information. To the best of our knowledge, we are the first to investigate Binary Patterns encoded CNNs and different deep network fusion architectures for texture recognition and remote sensing scene classification. We perform comprehensive experiments on four texture recognition datasets and four remote sensing scene classification benchmarks: UC-Merced with 21 scene categories, WHU-RS19 with 19 scene classes, RSSCN7 with 7 categories and the recently introduced large scale aerial image dataset (AID) with 30 aerial scene types. We demonstrate that TEX-Nets provide complementary information to standard RGB deep model of the same network architecture. Our late fusion TEX-Net architecture always improves the overall performance compared to the standard RGB network on both recognition problems. Furthermore, our final combination leads to consistent improvement over the state-of-the-art for remote sensing scene classification.
Numéro de notice :	A2018-121
Affiliation des auteurs :	non IGN
Thématique :	IMAGERIE/INFORMATIQUE
Nature :	Article
nature-HAL :	ArtAvecCL-RevueIntern
DOI :	10.1016/j.isprsjprs.2018.01.023
Date de publication en ligne :	15/02/2018
En ligne :	https://doi.org/10.1016/j.isprsjprs.2018.01.023
Format de la ressource électronique :	URL article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=89590

Exemplaires(3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2018041	RAB	Revue	Centre de documentation	En réserve L003	Disponible
081-2018043	DEP-EXM	Revue	LASTIG	Dépôt en unité	Exclu du prêt
081-2018042	DEP-EAF	Revue	Nancy	Dépôt en unité	Exclu du prêt

IGN

IGN / ENSG

Centre de documentation
scientifique
6 et 8 Avenue Blaise Pascal
Cité Descartes
Champs-sur-Marne
77455 Marne la Vallée
Cedex 2
L'IGN a pour vocation

de décrire la surface du territoire national et l'occupation de son sol, et d'élaborer et de mettre à jour l'inventaire permanent des ressources forestières nationales.
Accès directs
2014 -2024 IGN

IGN

Centre de documentation
scientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! Horaires du CDOS

Informations pratiques

Exemplaires(3)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

IGN

Centre de documentationscientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! Horaires du CDOS

Informations pratiques

Exemplaires(3)

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

Centre de documentation
scientifique