Centre dedocumentation
scientifique

Exploring the potential of deep learning segmentation for mountain roads generalisation / Azelle Courtial in ISPRS International journal of geo-information, vol 9 n° 5 (May 2020)  

Public [article]  inISPRS International journal of geo-information > vol 9 n° 5 (May 2020) . - n° 338 ; 21 p. Titre : Exploring the potential of deep learning segmentation for mountain roads generalisation Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Achraf El Ayedi, Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Année de publication : 2020 Projets : 1-Pas de projet / Article en page(s) : n° 338 ; 21 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes descripteurs IGN] 1:25.000 [Termes descripteurs IGN] 1:250.000 [Termes descripteurs IGN] Alpes (France) [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] données routières [Termes descripteurs IGN] données vectorielles [Termes descripteurs IGN] généralisation automatique de données [Termes descripteurs IGN] montagne [Termes descripteurs IGN] route [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] symbole graphique [Termes descripteurs IGN] virage [Vedettes matières IGN] Généralisation Résumé : (auteur) Among cartographic generalisation problems, the generalisation of sinuous bends in mountain roads has always been a popular one due to its difficulty. Recent research showed the potential of deep learning techniques to overcome some remaining research problems regarding the automation of cartographic generalisation. This paper explores this potential on the popular mountain road generalisation problem, which requires smoothing the road, enlarging the bend summits, and schematising the bend series by removing some of the bends. We modelled the mountain road generalisation as a deep learning problem by generating an image from input vector road data, and tried to generate it as an output of the model a new image of the generalised roads. Similarly to previous studies on building generalisation, we used a U-Net architecture to generate the generalised image from the ungeneralised image. The deep learning model was trained and evaluated on a dataset composed of roads in the Alps extracted from IGN (the French national mapping agency) maps at 1:250,000 (output) and 1:25,000 (input) scale. The results are encouraging as the output image looks like a generalised version of the roads and the accuracy of pixel segmentation is around 65%. The model learns how to smooth the output roads, and that it needs to displace and enlarge symbols but does not always correctly achieve these operations. This article shows the ability of deep learning to understand and manage the geographic information for generalisation, but also highlights challenges to come. Numéro de notice : A2020-295 Affiliation des auteurs : LaSTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi9050338 date de publication en ligne : 25/05/2020 En ligne : https://doi.org/10.3390/ijgi9050338 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95131 [article]

Constraint based evaluation of generalized images generated by deep learning / Azelle Courtial (2020)  

Public Titre : Constraint based evaluation of generalized images generated by deep learning Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Editeur : ICA Commission on Generalisation and Multiple Representation Année de publication : 2020 Projets : 1-Pas de projet / Conférence : ICA 2020, 23rd Workshop on Map Generalisation and Multiple Representation 05/11/2020 06/11/2020 Delft Pays-Bas Open Access Proceedings Importance : 3 p. Format : 21 x 30 cm Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes descripteurs IGN] 1:25.000 [Termes descripteurs IGN] 1:250.000 [Termes descripteurs IGN] Alpes (France) [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] carte routière [Termes descripteurs IGN] classification pixellaire [Termes descripteurs IGN] données maillées [Termes descripteurs IGN] généralisation automatique de données [Termes descripteurs IGN] généralisation cartographique automatisée [Termes descripteurs IGN] montagne [Termes descripteurs IGN] précision cartographique [Termes descripteurs IGN] programmation par contraintes [Termes descripteurs IGN] réseau routier [Vedettes matières IGN] Généralisation Résumé : (Auteur) The use of deep learning techniques for map generalisation raises new problems regarding the evaluation of the results: (1) images are used as input/output instead of vector data; (2) the deep learning processes do not guarantee results that follow cartographic principles; (3) the deep learning models are black boxes that hide the causal mechanisms. Also, deep learning intern evaluation is mostly based on the realism of the images and the pixel classification accuracy, and none of these criteria is sufficient to evaluate a generalisation process. In this article, we propose an adaptation of the constraint-based evaluation to the images generated by deep learning. Six raster-based constraints are proposed for a mountain road generalisation use case. Numéro de notice : C2020-018 Affiliation des auteurs : LaSTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans date de publication en ligne : 17/11/2020 En ligne : https://varioscale.bk.tudelft.nl/events/icagen2020/ICAgen2020/ICAgen2020_paper_2 [...] Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96380

Is deep learning the new agent for map generalization? / Guillaume Touya in International journal of cartography, vol 5 n° 2-3 (July - November 2019)  

Public [article]  inInternational journal of cartography > vol 5 n° 2-3 (July - November 2019) . - pp 142 - 157 Titre : Is deep learning the new agent for map generalization? Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Xiang Zhang, Auteur ; Imran Lokhat , Auteur Année de publication : 2019 Projets : 1-Pas de projet / Conférence : ICC 2019, 29th International Cartographic Conference ICA, Mapping everything for everyone 15/07/2019 20/07/2019 Tokyo Japon Article en page(s) : pp 142 - 157 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] généralisation cartographique automatisée [Termes descripteurs IGN] système multi-agents [Vedettes matières IGN] Généralisation Résumé : (Auteur) The automation of map generalization has been keeping researchers in cartography busy for years. Particularly great progress was made in the late 90s with the use of the multi-agent paradigm. Although the current use of automatic processes in some national mapping agencies is a great achievement, there are still many unsolved issues and research seems to stagnate in the recent years. With the success of deep learning in many fields of science, including geographic information science, this paper poses the controversial question of the title: is deep learning the new agent, i.e. the technique that will make generalization research bridge the gap to fully automated generalization processes? The paper neither responds a clear yes nor a clear no but discusses what issues could be tackled with deep learning and what the promising perspectives. Some preliminary experiments with building generalization or data enrichments are presented to support the discussion. Numéro de notice : A2019-235 Affiliation des auteurs : LaSTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/23729333.2019.1613071 date de publication en ligne : 09/05/2019 En ligne : https://doi.org/10.1080/23729333.2019.1613071 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92932 [article]

Cropland extraction based on OBIA and adaptive scale pre-estimation / Ming Dongping in Photogrammetric Engineering & Remote Sensing, PERS, vol 82 n° 8 (August 2016)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 82 n° 8 (August 2016) . - pp 635 - 644 Titre : Cropland extraction based on OBIA and adaptive scale pre-estimation Type de document : Article/Communication Auteurs : Ming Dongping, Auteur ; Xiang Zhang, Auteur ; Min Wang, Auteur ; Wen Zhou, Auteur Année de publication : 2016 Article en page(s) : pp 635 - 644 Langues : Anglais (eng) Numéro de notice : A2016-609 Affiliation des auteurs : non IGN Nature : Article En ligne : http://dx.doi.org/10.14358/PERS.82.8.635 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=81809 [article]

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2016082	RAB	Revue	Centre de documentation	En réserve 3L	Disponible
105-2016081	SL	Revue	Centre de documentation	Revues en salle	Disponible

A vector field model to handle the displacement of multiple conflicts in building generalization / Tinghua Ai in International journal of geographical information science IJGIS, vol 29 n° 8 (August 2015)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 29 n° 8 (August 2015) . - pp 1310 - 1331 Titre : A vector field model to handle the displacement of multiple conflicts in building generalization Type de document : Article/Communication Auteurs : Tinghua Ai, Auteur ; Xiang Zhang, Auteur ; Qi Zhou, Auteur ; Min Yang, Auteur Année de publication : 2015 Article en page(s) : pp 1310 - 1331 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes descripteurs IGN] conflit d'espace [Termes descripteurs IGN] détection de conflit [Termes descripteurs IGN] généralisation cartographique automatisée [Termes descripteurs IGN] généralisation du bâti [Termes descripteurs IGN] partition des données [Termes descripteurs IGN] relation spatiale [Termes descripteurs IGN] triangulation de Delaunay [Vedettes matières IGN] Généralisation Résumé : (Auteur) In map generalization, the displacement operation attempts to resolve proximity conflicts to guarantee map legibility. Owing to the limited representation space, conflicts may occur between both the same and different features under different contexts. A successful displacement should settle multiple conflicts, suppress the generation of secondary conflicts after moving some objects, and preserve the distribution patterns. The effect of displacement can be understood as a force that pushes related objects away with properties of propagation and distance decay. This study borrows the idea of vector fields from physics discipline and establishes a vector field model to handle the displacement of multiple conflicts in building generalization. A scalar field is first constructed based on a Delaunay triangulation skeleton to partition the buildings being examined (e.g., a street block). Then, we build a vector field to conduct displacement measurements through the detection of conflicts from multiple sources. The direction and magnitude of the displacement force are computed based on an iso-line model of vector field. The experiment shows that this global method can settle multiple conflicts and preserve the spatial relations and important building patterns. Numéro de notice : A2015-604 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2015.1019886 En ligne : https://doi.org/10.1080/13658816.2015.1019886 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=78025 [article]

Detection and correction of inconsistencies between river networks and contour data by spatial constraint knowledge / Tinghua Ai in Cartography and Geographic Information Science, Vol 42 n° 1 (January 2015)  

Permalink

Formalization and data enrichment for automated evaluation of building pattern preservation / Xiang Zhang (2010) 

Permalink