Centre dedocumentation
scientifique

Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series / Sébastien Giordano in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 7 (July 2020)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 7 (July 2020) . - pp 431-441 Titre : Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series Type de document : Article/Communication Auteurs : Sébastien Giordano , Auteur ; Simon Bailly, Auteur ; Loïc Landrieu , Auteur ; Nesrine Chehata , Auteur Année de publication : 2020 Article en page(s) : pp 431-441 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] Alpes-de-haute-provence (04) [Termes descripteurs IGN] chaîne de traitement [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] parcelle agricole [Termes descripteurs IGN] photo-identification [Termes descripteurs IGN] Seine-et-Marne (77) [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] surface cultivée Résumé : (Auteur) Leveraging the recent availability of accurate, frequent, and multimodal (radar and optical) Sentinel-1 and -2 acquisitions, this paper investigates the automation of land parcel identification system (LPIS) crop type classification. Our approach allows for the automatic integration of temporal knowledge, i.e., crop rotations using existing parcel-based land cover databases and multi-modal Sentinel-1 and -2 time series. The temporal evolution of crop types was modeled with a linear-chain conditional random field, trained with time series of multimodal (radar and optical) satellite acquisitions and associated LPIS. Our model was tested on two study areas in France (≥ 1250 km2) which show different crop types, various parcel sizes, and agricultural practices: . the Seine et Marne and the Alpes de Haute-Provence classified accordingly to a fine national 25-class nomenclature. We first trained a Random Forest classifier without temporal structure to achieve 89.0% overall accuracy in Seine et Marne (10 classes) and 73% in Alpes de Haute-Provence (14 classes). We then demonstrated experimentally that taking into account the temporal structure of crop rotation with our model resulted in an increase of 3% to +5% in accuracy. This increase was especially important (+12%) for classes which were poorly classified without using the temporal structure. A stark positive impact was also demonstrated on permanent crops, while it was fairly limited or even detrimental for annual crops. Numéro de notice : A2020-382 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.7.431 date de publication en ligne : 01/07/2020 En ligne : https://doi.org/10.14358/PERS.86.7.431 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95428 [article]

Piecewise-planar approximation of large 3D data as graph-structured optimization / Stéphane Guinard in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-2/W5 (may 2019)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol IV-2/W5 (may 2019) . - pp 365 - 372 Titre : Piecewise-planar approximation of large 3D data as graph-structured optimization Type de document : Article/Communication Auteurs : Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur ; Laurent Caraffa , Auteur ; Bruno Vallet , Auteur Congrès : ISPRS Geospatial Week 2019 (10 - 14 juin 2019; Enschede, Pays-Bas), Commanditaire Année de publication : 2019 Article en page(s) : pp 365 - 372 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] algorithme de décalage moyen [Termes descripteurs IGN] analyse de groupement [Termes descripteurs IGN] approximation [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] érosion anthropique [Termes descripteurs IGN] erreur d'approximation [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] graphe [Termes descripteurs IGN] maillage [Termes descripteurs IGN] Ransac (algorithme) [Termes descripteurs IGN] semis de points [Termes descripteurs IGN] surface plane Résumé : (auteur) We introduce a new method for the piecewise-planar approximation of 3D data, including point clouds and meshes. Our method is designed to operate on large datasets (e.g. millions of vertices) containing planar structures, which are very frequent in anthropic scenes. Our approach is also adaptive to the local geometric complexity of the input data. Our main contribution is the formulation of the piecewise-planar approximation problem as a non-convex optimization problem. In turn, this problem can be efficiently solved with a graph-structured working set approach. We compare our results with a state-of-the-art region-growing-based segmentation method and show a significant improvement both in terms of approximation error and computation efficiency. Numéro de notice : A2019-592 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-IV-2-W5-365-2019 date de publication en ligne : 29/05/2019 En ligne : https://doi.org/10.5194/isprs-annals-IV-2-W5-365-2019 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94552 [article]

Parallel cut pursuit for minimization of the graph total variation / Hugo Raguet (2019)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Parallel cut pursuit for minimization of the graph total variation Type de document : Article/Communication Auteurs : Hugo Raguet, Auteur ; Loïc Landrieu , Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Importance : 6 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] algorithme Cut Pursuit [Termes descripteurs IGN] optimisation (mathématiques) Résumé : (auteur) We present a parallel version of the cut-pursuit algorithm for minimizing functionals involving the graph total variation. We show that the decomposition of the iterate into constant connected components, which is at the center of this method, allows for the seamless parallelization of the otherwise costly graph-cut based refinement stage. We demonstrate experimentally the efficiency of our method in a wide variety of settings, from simple denoising on huge graphs to more complex inverse problems with nondifferentiable penalties. We argue that our approach combines the efficiency of graph-cuts based optimizers with the versatility and ease of parallelization of traditional proximal. Numéro de notice : P2019-004 Thématique : IMAGERIE/INFORMATIQUE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 07/05/2019 En ligne : https://arxiv.org/abs/1905.02316 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93350

Point cloud oversegmentation with graph-structured deep metric learning / Loïc Landrieu (2019)  

Public Titre : Point cloud oversegmentation with graph-structured deep metric learning Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Mohamed Boussaha, Auteur Congrès : CVPR 2019, IEEE Conference on Computer Vision and Pattern Recognition (16 - 20 juin 2019; Long Beach, Californie - Etats-Unis) , Commanditaire Editeur : Computer vision foundation Année de publication : 2019 Importance : pp 7440 -7449 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] graphe [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] segmentation sémantique [Termes descripteurs IGN] semis de points Résumé : (auteur) We propose a new supervized learning framework foroversegmenting 3D point clouds into superpoints. We castthis problem as learning deep embeddings of the local ge-ometry and radiometry of 3D points, such that the border ofobjects presents high contrasts. The embeddings are com-puted using a lightweight neural network operating on thepoints’ local neighborhood. Finally, we formulate pointcloud oversegmentation as a graph partition problem withrespect to the learned embeddings.This new approach allows us to set a new state-of-the-artin point cloud oversegmentation by a significant margin, ona dense indoor dataset (S3DIS) and a sparse outdoor one(vKITTI). Our best solution requires over five times fewersuperpoints to reach similar performance than previouslypublished methods on S3DIS. Furthermore, we show thatour framework can be used to improve superpoint-basedsemantic segmentation algorithms, setting a new state-of-the-art for this task as well. Numéro de notice : C2019-017 Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : http://openaccess.thecvf.com/content_CVPR_2019/papers/Landrieu_Point_Cloud_Overs [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93351

Satellite image time series classification with pixel-set encoders and temporal self-attention / Vivien Sainte Fare Garnot (2019)    

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Satellite image time series classification with pixel-set encoders and temporal self-attention Type de document : Article/Communication Auteurs : Vivien Sainte Fare Garnot, Auteur ; Loïc Landrieu , Auteur ; Sébastien Giordano , Auteur ; Nesrine Chehata , Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Importance : 12 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] classification automatique [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] géocodage [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] parcelle agricole [Termes descripteurs IGN] politique agricole commune [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] utilisation du sol Résumé : (auteur) Satellite image time series, bolstered by their growing availability, are at the forefront of an extensive effort towards automated Earth monitoring by international institutions. In particular, large-scale control of agricultural parcels is an issue of major political and economic importance. In this regard, hybrid convolutional-recurrent neural architectures have shown promising results for the automated classification of satellite image time series.We propose an alternative approach in which the convolutional layers are advantageously replaced with encoders operating on unordered sets of pixels to exploit the typically coarse resolution of publicly available satellite images. We also propose to extract temporal features using a bespoke neural architecture based on self-attention instead of recurrent networks. We demonstrate experimentally that our method not only outperforms previous state-of-the-art approaches in terms of precision, but also significantly decreases processing time and memory requirements. Lastly, we release a large openaccess annotated dataset as a benchmark for future work on satellite image time series. Numéro de notice : P2019-007 Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 18/11/2019 En ligne : https://arxiv.org/abs/1911.07757 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94225

Documents numériques

en open access Satellite image time series classification - pdf préprint Adobe Acrobat PDF

Supervized segmentation with graph-structured deep metric learning / Loïc Landrieu (2019)  

Permalink

Time-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series / Vivien Sainte Fare Garnot (2019)  

Permalink

Crop-rotation structured classification using multi-source sentinel images and LPIS for crop type mapping / Simon Bailly (2018)  

Permalink

Cut-Pursuit algorithm for regularizing nonsmooth functionals with graph total variation / Hugo Raguet (2018)    

Permalink

Large-scale point cloud semantic segmentation with superpoint graphs / Loïc Landrieu (2018)    

Permalink

Segmentation sémantique à grande échelle par graphes de superpoints / Loïc Landrieu (2018)    

Permalink

SuperPoint Graph : segmentation sémantique de nuages de points LiDAR à grande échelle / Loïc Landrieu (2018) 

Permalink

Cut Pursuit: Fast algorithms to learn piecewise constant functions on general weighted graphs / Loïc Landrieu in SIAM Journal on Imaging Sciences, vol 10 n° 4 (November 2017)  

Permalink

A structured regularization framework for spatially smoothing semantic labelings of 3D point clouds / Loïc Landrieu in ISPRS Journal of photogrammetry and remote sensing, vol 132 (October 2017)    

Permalink

Comparison of belief propagation and graph-cut approaches for contextual classification of 3D LIDAR point cloud data / Loïc Landrieu (2017)    

Permalink