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

Multispectral object detection / Heng Zhang (2021)

Public

Titre :	Multispectral object detection
Type de document :	Thèse/HDR
Auteurs :	Heng Zhang, Auteur ; Elisa Fromont, Directeur de thèse ; Sébastien Lefèvre, Directeur de thèse
Editeur :	Rennes : Université de Rennes 1
Année de publication :	2021
Importance :	114 p.
Format :	21 x 30 cm
Note générale :	Bibliographie Thèse présentée en vue de l’obtention du grade de docteur en Informatique de l'Université de Rennes 1
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] chambre de prise de vue thermique [Termes IGN] détection d'objet [Termes IGN] données d'entrainement sans étiquette [Termes IGN] efficacité [Termes IGN] fusion de données multisource [Termes IGN] image multibande [Termes IGN] précision de la classification [Termes IGN] qualité du modèle [Termes IGN] segmentation sémantique
Index. décimale :	THESE Thèses et HDR
Résumé :	(Auteur) Only using RGB cameras for automatic outdoor scene analysis is challenging when, for example, facing insufficient illumination or adverse weather. To improve the recognition reliability, multispectral systems add additional cameras (e.g. infra-red) and perform object detection from multispectral data. Although multispectral scene analysis with deep learning has been shown to have a great potential, there are still many open research questions and it has not been widely deployed in industrial contexts. In this thesis, we investigated three main challenges about multispectral object detection: (1) the fast and accurate detection of objects of interest from images; (2) the dynamic and adaptive fusion of information from different modalities;(3) low-cost and low-energy multispectral object detection and the reduction of its manual annotation efforts. In terms of the first challenge, we first optimize the label assignment of the object detection training with a mutual guidance strategy between the classification and localization tasks; we then realize an efficient compression of object detection models including the teacher-student prediction disagreements in a feature-based knowledge distillation framework. With regard to the second challenge, three different multispectral feature fusion schemes are proposed to deal with the most difficult fusion cases where different cameras provide contradictory information. For the third challenge, a novel modality distillation framework is firstly presented to tackle the hardware and software constraints of current multispectral systems; then a multi-sensor-based active learning strategy is designed to reduce the labeling costs when constructing multispectral datasets.
Note de contenu :	1. Introduction 1.1 Context and motivations 1.2 Thesis outline 2. Deep learning background 2.1 General object detection 2.2 Multispectral object detection 2.3 Knowledge distillation 2.4 Active learning 2.5 Datasets 3. Efficient object detection on embedded devices 3.1 Best practices for training object detection models 3.2 Mutual Guidance for Anchor Matching 3.3 Prediction Disagreement aware Feature Distillation 3.4 Experimental results 4. Information fusion from multispectral data 4.1 Multispectral Fusion with Cyclic Fuse-and-Refine 4.2 Progressive Spectral Fusion 4.3 Experimental results for CFR and PS-Fuse 4.4 Guided Attentive Feature Fusion 4.5 Experimental results for GAFF 5. Sensors and annotations: low cost multispectral data processing 5.1 Deep Active Learning from Multispectral Data 5.2 Low-cost Multispectral Scene Analysis with Modality Distillation 6. Conclusions and future works 6.1 Conclusions 6.2 Application to remote sensing data 6.3 Perspectives
Numéro de notice :	26765
Affiliation des auteurs :	non IGN
Thématique :	IMAGERIE
Nature :	Thèse française
Note de thèse :	Thèse de Doctorat : Informatique : Rennes 1 : 2021
Organisme de stage :	(IRISA) INRIA
nature-HAL :	Thèse
DOI :	sans
Date de publication en ligne :	17/01/2022
En ligne :	https://hal.science/tel-03530257/
Format de la ressource électronique :	URL
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=99855

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

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

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

Centre de documentation
scientifique