Centre dedocumentation
scientifique

Challenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Challenging deep image descriptors for retrieval in heterogeneous iconographic collections Type de document : Article/Communication Auteurs : Dimitri Gominski, Auteur ; Martyna Poreba , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Congrès : SUMAC 2019, 1st workshop on Structuring and Understanding of Multimedia heritAge Contents (21 octobre 2019; Nice, France) , Commanditaire Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2019 Autre Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Importance : pp 31 - 38 Format : 21 x 30 cm Note générale : bibliographie Preprint publié sur ArXiv Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] analyse visuelle [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] base de données d'images [Termes descripteurs IGN] collection [Termes descripteurs IGN] descripteur [Termes descripteurs IGN] données hétérogènes [Termes descripteurs IGN] exploration de données [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] iconographie [Termes descripteurs IGN] image multi sources [Termes descripteurs IGN] indexation [Termes descripteurs IGN] jeu de données [Termes descripteurs IGN] recherche d'image basée sur le contenu Résumé : (auteur) This article proposes to study the behavior of recent and efficient state-of-the-art deep-learning based image descriptors for content-based image retrieval, facing a panel of complex variations appearing in heterogeneous image datasets, in particular in cultural collections that may involve multi-source, multi-date and multi-view contents. For this purpose, we introduce a novel dataset, namely Alegoria dataset, consisting of 12,952 iconographic contents representing landscapes of the French territory, and encapsultating a large range of intra-class variations of appearance which were finely labelled. Six deep features (DELF, NetVLAD, GeM, MAC, RMAC, SPoC) and a hand-crafted local descriptor (ORB) are evaluated against these variations. Their performance are discussed, with the objective of providing the reader with research directions for improving image description techniques dedicated to complex heterogeneous datasets that are now increasingly present in topical applications targeting heritage valorization. Numéro de notice : C2019-022 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3347317.3357246 date de publication en ligne : 19/09/2019 En ligne : https://doi.org/10.1145/3347317.3357246 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93623

Voir aussi

• SUMAC 2019, 1st workshop on Structuring and Understanding of Multimedia heritAge Contents / Valérie Gouet-Brunet (2019)  

Geometric camera pose refinement with learned depth maps / Nathan Piasco (2019)  

Public Titre : Geometric camera pose refinement with learned depth maps Type de document : Article/Communication Auteurs : Nathan Piasco , Auteur ; Désiré Sidibé, Auteur ; Cédric Demonceaux, Auteur ; Valérie Gouet-Brunet , Auteur Congrès : ICIP 2019, 26th IEEE International Conference on Image Processing (22 - 25 septembre 2019; Taipei, Taiwan), Commanditaire Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2019 Autre Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Projets : PLaTINUM / Gouet-Brunet, Valérie Importance : 5 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] algorithme ICP [Termes descripteurs IGN] carte de profondeur [Termes descripteurs IGN] estimation de pose [Termes descripteurs IGN] réseau neuronal convolutif [Termes descripteurs IGN] scène intérieure [Termes descripteurs IGN] semis de points Résumé : (auteur) We present a new method for image-only camera relocalisation composed of a fast image indexing retrieval step followed by pose refinement based on ICP (Iterative Closest Point). The first step aims to find an initial pose for the query by evaluating images similarity with low dimensional global deep descriptors. Subsequently, we predict with a fully convolutional deep encoder-decoder neural network a dense depth map from the image query. We use this depth map to create a local point cloud and refine the initial query pose using an ICP algorithm.We demonstrate the effectiveness of our new approach on various indoor scenes. Compared to learned pose regression methods, our proposal can be used on multiple scenes without the need of a specific weights-setup for each scene, while showing equivalent results. Numéro de notice : C2019-015 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICIP.2019.8803014 date de publication en ligne : 26/08/2019 En ligne : https://doi.org/10.1109/ICIP.2019.8803014 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93279

Learning scene geometry for visual localization in challenging conditions / Nathan Piasco (2019)    

Public Titre : Learning scene geometry for visual localization in challenging conditions Type de document : Article/Communication Auteurs : Nathan Piasco , Auteur ; Désiré Sidibé, Auteur ; Valérie Gouet-Brunet , Auteur ; Cédric Demonceaux, Auteur Congrès : ICRA 2019, International Conference on Robotics and Automation (20 - 24 mai 2019; Montréal, Québec - Canada) , Commanditaire Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2019 Projets : PLaTINUM / Gouet-Brunet, Valérie Importance : pp 9094 - 9100 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse d'image orientée objet [Termes descripteurs IGN] analyse visuelle [Termes descripteurs IGN] appariement d'images [Termes descripteurs IGN] carte de profondeur [Termes descripteurs IGN] descripteur [Termes descripteurs IGN] géométrie de l'image [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] localisation basée vision [Termes descripteurs IGN] précision de localisation [Termes descripteurs IGN] prise de vue nocturne [Termes descripteurs IGN] robotique [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] variation diurne [Termes descripteurs IGN] variation saisonnière [Termes descripteurs IGN] vision par ordinateur Résumé : (auteur) We propose a new approach for outdoor large scale image based localization that can deal with challenging scenarios like cross-season, cross-weather, day/night and longterm localization. The key component of our method is a new learned global image descriptor, that can effectively benefit from scene geometry information during training. At test time, our system is capable of inferring the depth map related to the query image and use it to increase localization accuracy. We are able to increase recall@1 performances by 2.15% on cross-weather and long-term localization scenario and by 4.24% points on a challenging winter/summer localization sequence versus state-of-the-art methods. Our method can also use weakly annotated data to localize night images across a reference dataset of daytime images. Numéro de notice : C2019-002 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICRA.2019.8794221 date de publication en ligne : 12/08/2019 En ligne : http://doi.org/10.1109/ICRA.2019.8794221 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93774

Documents numériques

en open access Learning scene geometry... - pdf auteur Adobe Acrobat PDF

Multimodal scene understanding: algorithms, applications and deep learning, ch. 8. Multimodal localization for embedded systems: a survey / Imane Salhi (2019)  

Public Titre de série : Multimodal scene understanding: algorithms, applications and deep learning, ch. 8 Titre : Multimodal localization for embedded systems: a survey Type de document : Chapitre/Contribution Auteurs : Imane Salhi, Auteur ; Martyna Poreba , Auteur ; Erwan Piriou, Auteur ; Valérie Gouet-Brunet , Auteur ; Maroun Ojail, Auteur Editeur : Londres, New York : Academic Press Année de publication : 2019 Importance : pp 199 - 278 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] compréhension de l'image [Termes descripteurs IGN] fusion de données [Termes descripteurs IGN] géopositionnement [Termes descripteurs IGN] instrument embarqué [Termes descripteurs IGN] navigation automobile [Termes descripteurs IGN] navigation pédestre [Termes descripteurs IGN] réalité mixte Résumé : (Auteur) Localization by jointly exploiting multimodal information, like cameras, inertial measurement units (IMU), and global navigation satellite system (GNSS) data, is an active key research topic for autonomous embedded systems such as smart glasses or drones. These systems have become topical for acquisition, modeling, and interpretation for scene understanding. The exploitation of different sensor types improves the robustness of the localization, e.g. by merging the accuracy of one sensor with the reactivity of another one in a flexible manner. This chapter presents a survey of the existing multimodal techniques dedicated to the localization of autonomous embedded systems. Both the algorithmic and the hardware architecture sides are investigated in order to provide a global overview of the key elements to be considered when designing these embedded systems. Several applications in different domains (e.g. localization for mapping, pedestrian localization, automotive navigation and mixed reality) are presented to illustrate the importance of such systems nowadays in scene understanding. Numéro de notice : H2019-001 Thématique : IMAGERIE Nature : Chapître / contribution nature-HAL : ChOuvrScient DOI : 10.1016/B978-0-12-817358-9.00014-7 date de publication en ligne : 02/08/2019 En ligne : https://doi.org/10.1016/B978-0-12-817358-9.00014-7 Format de la ressource électronique : URL chapitre Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93300

SUMAC 2019, 1st workshop on Structuring and Understanding of Multimedia heritAge Contents / Valérie Gouet-Brunet (2019)  

Public Titre : SUMAC 2019, 1st workshop on Structuring and Understanding of Multimedia heritAge Contents Type de document : Article/Communication Auteurs : Valérie Gouet-Brunet , Editeur scientifique ; Margarita Khokhlova, Editeur scientifique ; Liming Chen, Editeur scientifique ; Sander Münster, Editeur scientifique ; Sander Münster Congrès : MM 2019, 27th ACM International Conference on Multimedia (21 - 25 octobre 2019; Nice, France), Auteur Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2019 Importance : pp 2726 - 2727 Format : 21 x 30 cm Langues : Anglais (eng) Descripteur : [Termes descripteurs IGN] données massives [Termes descripteurs IGN] patrimoine culturel [Termes descripteurs IGN] patrimoine immobilier [Termes descripteurs IGN] recherche scientifique [Termes descripteurs IGN] valorisation Résumé : (auteur) SUMAC 2019 is the first workshop on Structuring and Understanding of Multimedia heritAge Contents. It is held in Nice, France on October 21, 2019 and is co-located with the 27th ACM International Conference on Multimedia. Its objective is to present and discuss the latest and most significant trends and challenges in the analysis, structuring and understanding of multimedia contents dedicated to the valorization of heritage, with the emphasis on the unlocking of and access to the big data of the past. A representative scope of Computer Science methodologies dedicated to the processing of multimedia heritage contents and their exploitation is covered by the works presented, with the ambition of advancing and raising awareness about this fully developing research field. Numéro de notice : 25324 Thématique : GEOMATIQUE/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3343031.3350554 En ligne : https://doi.org/10.1145/3343031.3350554 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93622

Voir aussi

• Challenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)  

Unsupervised detection of ruptures in spatial relationships in video sequences based on log‑likelihood ratio / Abdalbassir Abou-Elailah in Pattern Analysis and Applications, vol 21 n° 3 (August 2018)  

Permalink

A survey on visual-based localization : on the benefit of heterogeneous data / Nathan Piasco in Pattern recognition, vol 74 (February 2018)  

Permalink

Adéquation algorithme architecture pour la localisation basée image sur système embarqué / David Vandergucht (2018)    

Permalink

Apprentissage de modalités auxiliaires pour la localisation basée vision / Nathan Piasco (2018)    

Permalink

Forest stand extraction: which optimal remote sensing data source(s)? / Clément Dechesne (2018)    

Permalink

Panorama de la recherche à l'IGN sur la localisation d'une caméra à partir d'images / Nathan Piasco (2018) 

Permalink

Projet ANR ALEGORIA : structurAtion et vaLorisation du patrimoinE géoGraphique icOnogRaphIque démAtérialisé / Valérie Gouet-Brunet (2018) 

Permalink

Semantic signatures for urban visual localization / Li Weng (2018)  

Permalink

Suivi d’objet par capteurs visuels et inertiels sur systèmes embarqués / Imane Salhi (2018)    

Permalink

Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery / Clément Dechesne in ISPRS Journal of photogrammetry and remote sensing, vol 126 (April 2017)  

Permalink