Centre dedocumentation
scientifique

Vision-based detection of aircrafts and UAVs / Artem Rozantsev (2017)  

Public Titre : Vision-based detection of aircrafts and UAVs Type de document : Thèse/HDR Auteurs : Artem Rozantsev, Auteur ; Pascal Fua, Directeur de thèse ; Vincent Lepetit, Directeur de thèse Editeur : Lausanne : Ecole Polytechnique Fédérale de Lausanne EPFL Année de publication : 2017 Importance : 117 p. Format : 21 x 30 cm Note générale : bibliographie Thèse présentée à l'Ecole Polytechnique Fédérale de Lausanne pour l'obtention du grade de Docteur ès Sciences Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Télédétection [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] cube espace-temps [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] drone [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] objet mobile [Termes descripteurs IGN] régression [Termes descripteurs IGN] vision par ordinateur Résumé : (auteur) Unmanned Aerial Vehicles are becoming increasingly popular for a broad variety of tasks ranging from aerial imagery to objects delivery. With the expansion of the areas, where drones can be efficiently used, the collision risk with other flying objects increases. Avoiding such collisions would be a relatively easy task, if all the aircrafts in the neighboring airspace could communicate with each other and share their location information. However, it is often the case that either location information is unavailable (e.g. flying in GPS-denied environments) or communication is not possible (e.g. different communication channels or non-cooperative flight scenario). To ensure flight safety in this kind of situations drones need a way to autonomously detect other objects that are intruding the neighboring airspace. Visual-based collision avoidance is of particular interest as cameras generally consume less power and are more lightweight than active sensor alternatives such as radars and lasers. We have therefore developed a set of increasingly sophisticated algorithms to provide drones with a visual collision avoidance capability. First, we present a novel method for detecting flying objects such as drones and planes that occupy a small part of the camera field of view, possibly move in front of complex backgrounds, and are filmed by a moving camera. In order to be solved this problem requires combining motion and appearance information, as neither of the two alone is capable of providing reliable enough detections. We therefore propose a machine learning technique that operates on spatiotemporal cubes of image intensities where individual patches are aligned using an object-centric regression-based motion stabilization algorithm. Second, in order to reduce the need to collect a large training dataset and to manual annotate it, we introduce a way to generate realistic synthetic images. Given only a small set of real examples and a coarse 3D model of the object, synthetic data can be generated in arbitrary quantities and further used to supplement real examples for training a detector. The key ingredient of our method is that the synthetically generated images need to be as close as possible to the real ones not in terms of image quality, but according to the features, used by a machine learning algorithm. Third, though the aforementioned approach yields a substantial increase in performance when using Adaboost and DPM detectors, it does not generalize well to Convolutional Neural Networks, which have become the state-of-the-art. This happens because, as we add more and more synthetic data, the CNNs begin to overfit to the synthetic images at the expense of the real ones. We therefore propose a novel deep domain adaptation technique that allows efficiently combining real and synthetic images without overfitting to either of the two. While most of the adaptation techniques aim at learning features that are invariant to the possible difference of the images, coming from different sources (real and synthetic). Unlike those methods, we suggest modeling this difference with a special two-stream architecture. We evaluate our approach on three different datasets and show its effectiveness for various classification and regression tasks. Note de contenu : Introduction 1- Flying Objects Detection 2- Synthetic Data Generation 3- Domain Adaption for Deep Networks 4- Concluding Remarks Numéro de notice : 25870 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse étrangère Note de thèse : Thèse de Doctorat : Sciences : Lausanne : Suisse : 2017 En ligne : https://infoscience.epfl.ch/record/227934?ln=fr Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95538

vol 81 n° 3 - March 2001 - Modeling people toward vision,based understanding of a person'sshape, appearance, and movement (Bulletin de Computer Vision and image understanding) / Adrian Hilton

Public [n° ou bulletin]  Titre : vol 81 n° 3 - March 2001 - Modeling people toward vision,based understanding of a person'sshape, appearance, and movement Type de document : Périodique Auteurs : Adrian Hilton, Editeur scientifique ; Pascal Fua, Editeur scientifique Année de publication : 2001 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image Numéro de notice : 096-0103 Thématique : IMAGERIE Nature : Numéro de périodique Permalink : https://documentation.ensg.eu/index.php?lvl=bulletin_display&id=17489 [n° ou bulletin]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
096-01031	RAB	Revue	Centre de documentation	En réserve 3L	Disponible

Une approche variationnelle pour la reconnaissance d'objets / Pascal Fua (1989)

Public Titre : Une approche variationnelle pour la reconnaissance d'objets Type de document : Thèse/HDR Auteurs : Pascal Fua, Auteur ; Olivier Faugeras, Directeur de thèse Editeur : Paris-Orsay : Université de Paris 11 Paris-Sud Centre d'Orsay Année de publication : 1989 Importance : 145 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat, Domaine Informatique, Université de Paris 11 Paris-Sud Centre d'Orsay Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] bâtiment [Termes descripteurs IGN] compréhension de l'image [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] implémentation (informatique) [Termes descripteurs IGN] langage à objets [Termes descripteurs IGN] objet 3D [Termes descripteurs IGN] optimisation (mathématiques) [Termes descripteurs IGN] reconnaissance d'objets [Termes descripteurs IGN] reconnaissance de formes [Termes descripteurs IGN] route [Termes descripteurs IGN] vision par ordinateur Résumé : (auteur) Dans cette thèse, nous proposons une formulation variationnelle du problème de la reconnaissance d'objets qui nous permet, d'une part, d'unifier les différents éléments de notre approche dans un même cadre théorique et, d'autre part, de développer des méthodes de calcul réalistes pour le traitement d'images complexes. Nous décrivons les objets en termes d'un langage qui inclut les contraintes tant photométriques que géométriques ou sémantiques auxquelles ces objets et leur apparence dans l'image sont soumis. Nous définissons un critère de nature statistique qui mesure la qualité d'une telle description ; reconnaître les objets équivaut alors à trouver la description optimale de l'image en termes de notre langage. Nous avons validé notre approche dans le cadre de la reconnaissance de routes et bâtiments dans des images aériennes et avons implémenté un système qui identifie avec succès la majorité des objets cible dans des images difficiles. Dans le premier chapitre nous introduisons et motivons notre approche. Nous présentons ensuite des articles qui documentent son évolution. Dans le dernier chapitre, nous décrivons en détail notre fonction (objectif) et les procédures d'optimisation que nous avons implémentées. Note de contenu : Introduction 1- Resegmentation 2- Génération de contours 3- Fonctions objectif pour la reconnaissance d'objets Conclusion Numéro de notice : 21757 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris 11 : 1989 DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91127

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
21757-01	THESE	Livre	Centre de documentation	En réserve 1L	Disponible