Détail de l'indexation
THESE : Thèses et HDR |
Ouvrages de la bibliothèque en indexation THESE (587)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Convolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts / Rodrigo Caye Daudt (2020)
Titre : Convolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts Type de document : Thèse/HDR Auteurs : Rodrigo Caye Daudt, Auteur ; Yann Gousseau, Directeur de thèse Editeur : Paris : Institut Polytechnique de Paris Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de doctorat de l’Institut Polytechnique de Paris préparée à Telecom Paris, spécialité Informatique, données, intelligence artificielleLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse diachronique
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage profond
[Termes IGN] cartographie automatique
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] image multi sources
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) The analysis of satellite and aerial Earth observation images allows us to obtain precise information over large areas. A multitemporal analysis of such images is necessary to understand the evolution of such areas. In this thesis, convolutional neural networks are used to detect and understand changes using remote sensing images from various sources in supervised and weakly supervised settings. Siamese architectures are used to compare coregistered image pairs and to identify changed pixels. The proposed method is then extended into a multitask network architecture that is used to detect changes and perform land cover mapping simultaneously, which permits a semantic understanding of the detected changes. Then, classification filtering and a novel guided anisotropic diffusion algorithm are used to reduce the effect of biased label noise, which is a concern for automatically generated large-scale datasets. Weakly supervised learning is also achieved to perform pixel-level change detection using only image-level supervision through the usage of class activation maps and a novel spatial attention layer. Finally, a domain adaptation method based on adversarial training is proposed, which succeeds in projecting images from different domains into a common latent space where a given task can be performed. This method is tested not only for domain adaptation for change detection, but also for image classification and semantic segmentation, which proves its versatility. Note de contenu : 1. Introduction
1.1 Context
1.2 Domain
1.3 Objectives
1.4 Publications
2. Related Work
2.1 Computer Vision and Image Analysis
2.2 Machine Learning
2.3 Change Detection Using Remote Sensing Images
2.4 Evaluation Metrics
3. Supervised Change Detection
3.1 Introduction
3.2 ONERA Satellite Change Detection Dataset
3.3 Patch Based Architectures
3.4 Fully Convolutional Architectures
3.5 Experiments
3.6 Conclusion
4. Semantic Change Detection 62
4.1 High Resolution Semantic Change Detection Dataset
4.2 Methodology
4.3 Results
4.4 Conclusion
5. Weakly Supervised Change Detection
5.1 Change Detection with Unreliable Data
5.2 Method
5.3 Experiments
5.4 Analysis
5.5 Conclusion
6. Domain Adaptation for Change Detection
6.1 Motivation
6.2 Unsupervised Domain Adaptation
6.3 Formulation
6.4 Implementation
6.5 Results
6.6 Limitations and Discussion
6.7 Unpaired Translation of Change Detection Images
6.8 Conclusion
7. ConclusionNuméro de notice : 26557 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique, données, intelligence artificielle : Paris : 2020 Organisme de stage : Laboratoire Traitement et Communication de l'Information LTCI nature-HAL : Thèse DOI : sans Date de publication en ligne : 12/04/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03105668/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98101
Titre : Convolutional Neural Networks for embedded vision Titre original : Réseaux de neurones CNN pour la vision embarquée Type de document : Thèse/HDR Auteurs : Lucas Fernandez Brillet, Auteur ; Stéphane Mancini, Directeur de thèse Editeur : Grenoble [France] : Université Grenoble Alpes Année de publication : 2020 Importance : 164 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse pour obtenir le grade de Docteur de l'Université Grenoble Alpes, Spécialité : Mathématiques, sciences et technologies de
l’information, informatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse en composantes principales
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] compression d'image
[Termes IGN] détection d'objet
[Termes IGN] image à haute résolution
[Termes IGN] instrument embarqué
[Termes IGN] vision par ordinateur
[Termes IGN] zone d'intérêtIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Recently, Convolutional Neural Networks have become the state-of-the-art soluion(SOA) to most computer vision problems. In order to achieve high accuracy rates, CNNs require a high parameter count, as well as a high number of operations. This greatly complicates the deployment of such solutions in embedded systems, which strive to reduce memory size. Indeed, while most embedded systems are typically in the range of a few KBytes of memory, CNN models from the SOA usually account for multiple MBytes, or even GBytes in model size. Throughout this thesis, multiple novel ideas allowing to ease this issue are proposed. This requires to jointly design the solution across three main axes: Application, Algorithm and Hardware.In this manuscript, the main levers allowing to tailor computational complexity of a generic CNN-based object detector are identified and studied. Since object detection requires scanning every possible location and scale across an image through a fixed-input CNN classifier, the number of operations quickly grows for high-resolution images. In order to perform object detection in an efficient way, the detection process is divided into two stages. The first stage involves a region proposal network which allows to trade-off recall for the number of operations required to perform the search, as well as the number of regions passed on to the next stage. Techniques such as bounding box regression also greatly help reduce the dimension of the search space. This in turn simplifies the second stage, since it allows to reduce the task’s complexity to the set of possible proposals. Therefore, parameter counts can greatly be reduced.Furthermore, CNNs also exhibit properties that confirm their over-dimensionment. This over-dimensionement is one of the key success factors of CNNs in practice, since it eases the optimization process by allowing a large set of equivalent solutions. However, this also greatly increases computational complexity, and therefore complicates deploying the inference stage of these algorithms on embedded systems. In order to ease this problem, we propose a CNN compression method which is based on Principal Component Analysis (PCA). PCA allows to find, for each layer of the network independently, a new representation of the set of learned filters by expressing them in a more appropriate PCA basis. This PCA basis is hierarchical, meaning that basis terms are ordered by importance, and by removing the least important basis terms, it is possible to optimally trade-off approximation error for parameter count. Through this method, it is possible to compress, for example, a ResNet-32 network by a factor of ×2 both in the number of parameters and operations with a loss of accuracy Note de contenu : Introduction
1- Deep learning overview
2- Methodology to adapt the computational complexity of CNN-based object detection for efficient inference in an applicative use-case
3- CNN compression
4- Cascaded and compressed CNNs for fast and lightweight face detection
5- Hardware evaluation on embedded multiprocessor
Thesis Conclusion & PerspectivesNuméro de notice : 28392 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Mathématiques, sciences et technologies de l’information, informatique : Grenoble : 2020 DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03101523/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98739
Titre : Deep learning for semantic feature extraction in aerial imagery Type de document : Thèse/HDR Auteurs : Ananya Gupta, Auteur ; Hujun Yin, Directeur de thèse ; Simon Watson, Directeur de thèse Editeur : Manchester [Royaume-Uni] : University of Manchester Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : bibliographie
A thesis submitted to the University of Manchester for the degree of Doctor of Philosophy in the faculty of Science and engineeringLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage profond
[Termes IGN] cartographie d'urgence
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'arbres
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] Dublin (Irlande ; ville)
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image à très haute résolution
[Termes IGN] image aérienne
[Termes IGN] image multitemporelle
[Termes IGN] OpenStreetMap
[Termes IGN] réseau routier
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] voxelIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Remote sensing provides image and LiDAR data that can be useful for a number of tasks such as disaster mapping and surveying. Deep learning (DL) has been shown to provide good results in extracting knowledge from input data sources by the means of learning intermediate representation features. However, popular DL methods require large scaled datasets for training which are costly and time-consuming to obtain. This thesis investigates semantic knowledge extraction from remote sensing data using DL methods in regimes with limited labelled data. Firstly, semantic segmentation methods are compared and analysed on the task of aerial image segmentation. It is shown that pretraining on ImageNet improves the segmentation results despite the domain shift between ImageNet images and aerial images. A framework for mapping road networks in disaster struck areas is proposed. It uses pre and post disaster imagery and labels from OpenStreetMaps (OSM), forgoing the need for costly manually labelled data. Graph-based methods are used to update the pre-existing road maps from OSM. Experiments on a disaster dataset from Palu, Indonesia show the efficacy of the proposed method. A method for semantic feature extraction from aerial imagery is proposed which is shown to work well for multitemporal high resolution image registration. These feature are able to deal with temporal variations caused by seasonal changes. Methods for tree identification in LiDAR data have been proposed to overcome the need for manually labelled data. The first method works on high density point clouds and uses certain LiDAR data attributes for tree identification, achieving almost 90% accuracy. The second uses a voxel based 3D Convolutional Neural Network on low density LiDAR datasets and is able to identify most large trees. The third method is a scaled version of PointNet++ and achieves an F_score of 82.1 on the ISPRS benchmark, comparable to the state of the art methods but with increased efficiency. Finally, saliency methods used for explainability in image analysis are extended to work on 3D point clouds and voxel-based networks to help aid explainability in this area. It is shown that edge and corner features are deemed important by these networks for classification. These features are also demonstrated to be inherently sparse and pruned easily. Note de contenu : 1- Introduction
2- Background and Literature Review
3- Aerial Image Segmentation with Open Data
4- Aerial Image Registration
5- Tree Annotations in LiDAR Data
6- 3D Point Cloud Feature Explanations
7- Conclusions and Future WorkNuméro de notice : 28302 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse étrangère Note de thèse : PhD Thesis : Science and Engineering : University of Manchester : 2020 DOI : sans En ligne : https://www.research.manchester.ac.uk/portal/files/184627877/FULL_TEXT.PDF Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98051 Development of new homogenisation methods for GNSS atmospheric data. Application to the analysis of climate trends and variability / Annarosa Quarello (2020)
Titre : Development of new homogenisation methods for GNSS atmospheric data. Application to the analysis of climate trends and variability Titre original : Développement de nouvelles méthodes d'homogénéisation des données atmosphérique GNSS. Application à l'étude de la variabilité climatique Type de document : Thèse/HDR Auteurs : Annarosa Quarello , Auteur ; Olivier Bock , Directeur de thèse ; Emilie Lebarbier, Directeur de thèse Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2020 Autre Editeur : Paris : Institut de Physique du Globe de Paris IPGP Importance : 156 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques
[Termes IGN] climat terrestre
[Termes IGN] données GNSS
[Termes IGN] données météorologiques
[Termes IGN] erreur systématique
[Termes IGN] estimation statistique
[Termes IGN] homogénéisation
[Termes IGN] méthode du maximum de vraisemblance (estimation)
[Termes IGN] méthode robuste
[Termes IGN] programmation dynamique
[Termes IGN] R (langage)
[Termes IGN] régression linéaire
[Termes IGN] segmentation
[Termes IGN] série temporelle
[Termes IGN] teneur intégrée en vapeur d'eau
[Termes IGN] variabilité
[Termes IGN] varianceIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les séries longues de contenu intégré en vapeur d’eau (CIVE) mesurées par GNSS sont affectées par des inhomogénéités liées aux changements de l’instrumentation, de l’environnement et de la procédure de traitement des données. L’homogénéisation de ces séries est une étape cruciale pour les applications en climatologie. Du fait de la forte variabilité naturelle du CIVE, la segmentation doit être appliquée sur des différences de CIVE entre les observations GNSS et une référence qui dans notre application est actuellement la ré-analyse ERA-Interim. Nous avons développé une méthode de segmentation dédiée à la détection de changements abrupts dans la moyenne qui prend en compte un biais périodique et une variance hétérogène dans ces données. L’algorithme calcule dans un premier temps la variance mensuelle avec un estimateur robuste. Ensuite, il estime à nombre de ruptures fixe de manière itérative (i) le biais périodique et (ii) les positions des points de rupture et les moyennes du signal, pour tous les nombres de ruptures testés. Cette estimation est réalisée au sens du maximum de vraisemblance et s’appuie sur l’algorithme de programmation dynamique qui est le seul à fournir la solution exacte en un temps raisonnable. Finalement, le nombre optimal de ruptures est choisi à l’aide d’une méthode de sélection de modèle pénalisée. La méthode a été testée et optimisée à l’aide de simulations numériques et appliquée aux données de CIVE GNSS pour 120 stations du réseau IGS. Enfin, les informations de segmentation sont incluses dans un algorithme de régression linéaire qui est utilisé pour estimer les tendances. La méthode est implémentée dans le package R GNSSseg disponible sur le CRAN. Numéro de notice : 17618 Affiliation des auteurs : UMR IPGP-Géod (2020- ) Thématique : MATHEMATIQUE/POSITIONNEMENT Nature : Thèse française Note de thèse : Thèse : Environnement : IPGP : 2020 Organisme de stage : Equipe Géodésie (IPGP-IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 29/01/2021 En ligne : https://hal.science/tel-03771164v2 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96984 Développement de la photogrammétrie et d'analyses d'images pour l'étude et le suivi d'habitats marins / Guilhem Marre (2020)
Titre : Développement de la photogrammétrie et d'analyses d'images pour l'étude et le suivi d'habitats marins Type de document : Thèse/HDR Auteurs : Guilhem Marre, Auteur ; Julie Deter, Directeur de thèse ; Sandra Luque, Directeur de thèse Editeur : Montpellier : Université de Montpellier Année de publication : 2020 Importance : 286 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse pour obtenir le grade de Docteur de l'Université de Montpellier en Sciences de la merLangues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] cartographie hydrographique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] habitat (nature)
[Termes IGN] herbier marin
[Termes IGN] lever bathymétrique
[Termes IGN] Méditerranée, mer
[Termes IGN] milieu marin
[Termes IGN] photogrammétrie sous-marine
[Termes IGN] plante aquatique d'eau salée
[Termes IGN] récif corallien
[Termes IGN] reconnaissance d'objets
[Termes IGN] reconstruction 3D
[Termes IGN] surveillance écologiqueIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Dans un contexte de changement climatique et d’érosion de la biodiversité marine, la surveillance écologique des habitats marins les plus sensibles est primordiale et nécessite des méthodes opérationnelles de suivi permettant aux décideurs et gestionnaires d’établir des mesures de conservation pertinentes et d’évaluer leur efficacité. TEMPO et RECOR sont deux réseaux de surveillance centrés sur les herbiers de posidonie et les récifs coralligènes, les deux habitats les plus riches et sensibles de Méditerranée. L’objectif de cette thèse est de répondre aux besoins de la surveillance des habitats marins par le développement de méthodes d’évaluation de leur état de santé, basées sur deux techniques d’analyses d’images clés : les réseaux de neurones convolutifs et la photogrammétrie. Les résultats montrent que les réseaux de neurones convolutifs sont capables de reconnaître les principales espèces des assemblages coralligènes sur des photos sous-marines issues de RECOR, avec une précision semblable à celle d’un expert taxonomiste. Par ailleurs, nous avons montré que la photogrammétrie permettait de reproduire en 3D un habitat marin avec une grande précision, suffisante pour un suivi de la structure de l’habitat et de la distribution d’espèces à fine échelle. À partir de ces reconstructions, nous avons mis au point une méthode de cartographie automatique des herbiers de posidonie, permettant de réaliser un suivi temporel de la qualité écologique de cet habitat sensible. Enfin, nous avons caractérisé la structure 3D des récifs coralligènes à partir de leurs reconstructions photogrammétriques et étudié les liens avec la structuration des assemblages qui les composent. Ce travail de thèse a permis de développer des méthodes opérationnelles, aujourd’hui intégrées aux réseaux de surveillance TEMPO et RECOR, et ouvre la voie à de futures recherches, notamment la caractérisation de l’activité biologique des récifs coralligènes grâce au couplage entre photogrammétrie, réseaux de neurones et acoustique sous-marine. Note de contenu : 1- Introduction générale
2- Méthodes
3- Résultats
4- Discussion généraleNuméro de notice : 28563 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la mer : Montpellier : 2020 Organisme de stage : Andromède Océanologie (Carnon) nature-HAL : Thèse En ligne : https://hal-cnrs.archives-ouvertes.fr/tel-02951806v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97607 PermalinkDynamique spontanée post-tempête de la végétation forestière en contexte de changement climatique / Lucie Dietz (2020)PermalinkEstimation et suivi de la ressource en bois en France métropolitaine par valorisation des séries multi-temporelles à haute résolution spatiale d'images optiques (Sentinel-2) et radar (Sentinel-1, ALOS-PALSAR) / David Morin (2020)PermalinkPermalinkÉtude de la vapeur d’eau atmosphérique à partir de données GNSS dans le bassin sud-ouest de l’océan Indien et applications à l’étude du climat et des cyclones tropicaux / Edouard Lees (2020)PermalinkEtudes des dynamiques spatiales d’évolution de l’occupation et de l’utilisation des sols dans la fenêtre lacustre camerounaise du lac Tchad et son arrière-pays à partir des grandes sécheresses sahéliennes de 1970 / Paul Gérard Gbetkom (2020)PermalinkPermalinkFusion d'approches photométriques et géométriques pour la création de modèles 3D / Jean Mélou (2020)PermalinkFusion of 3D point clouds and hyperspectral data for the extraction of geometric and radiometric features of trees / Eduardo Alejandro Tusa Jumbo (2020)PermalinkPermalinkGlobal investigation of marine atmospheric boundary layer rolls using Sentinel-1 SAR data / Chen Wang (2020)PermalinkDe l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)PermalinkImage processing applications in object detection and graph matching: from Matlab development to GPU framework / Beibei Cui (2020)PermalinkPermalinkImaging and diagnostic of sub-wavelength micro-structures, from closed-form algorithms to deep learning / Peipei Ran (2020)PermalinkInformation Géographique Volontaire, vers un usage conjoint avec l’information géographique institutionnelle / Ana-Maria Olteanu-Raimond (2020)PermalinkInteractions between hierarchical learning and visual system modeling : image classification on small datasets / Thalita Firmo Drumond (2020)PermalinkInversion de données PolSAR en bande P pour l'estimation de la biomasse forestière / Colette Gelas (2020)PermalinkPermalinkLearning and geometric approaches for automatic extraction of objects from remote sensing images / Nicolas Girard (2020)Permalink