Centre dedocumentation
scientifique

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 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

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

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Supervized segmentation with graph-structured deep metric learning Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Mohamed Boussaha, Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Projets : 1-Pas de projet / Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] graphe [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points Résumé : (auteur) We present a fully-supervized method for learning to segment data structured by an adjacency graph. We introduce the graph-structured contrastive loss, a loss function structured by a ground truth segmentation. It promotes learning vertex embeddings which are homogeneous within desired segments, and have high contrast at their interface. Thus, computing a piecewise-constant approximation of such embeddings produces a graph-partition close to the objective segmentation. This loss is fully backpropagable, which allows us to learn vertex embeddings with deep learning algorithms. We evaluate our methods on a 3D point cloud oversegmentation task, defining a new state-of-the-art by a large margin. These results are based on the published work of Landrieu and Boussaha 2019. Numéro de notice : P2019-003 Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 19/05/2019 En ligne : https://arxiv.org/abs/1905.04014 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92819

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

Public Titre : Time-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series Type de document : Article/Communication Auteurs : Vivien Sainte Fare Garnot, Auteur ; Loïc Landrieu , Auteur ; Sébastien Giordano , Auteur ; Nesrine Chehata , Auteur Congrès : IGARSS 2019, IEEE International Geoscience And Remote Sensing Symposium (28 juillet - 2 août 2019; Pacifico Yokohama, Yokohama, Japon) Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2019 Importance : 4 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification par réseau neuronal [Termes descripteurs IGN] cultures [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] série temporelle Résumé : (auteur) In this article, we investigate several structured deep learning models for crop type classification on multi-spectral time series. In particular, our aim is to assess the respective importance of spatial and temporal structures in such data. With this objective, we consider several designs of convolutional, recurrent, and hybrid neural networks, and assess their performance on a large dataset of freely available Sentinel-2 imagery. We find that the best-performing approaches are hybrid configurations for which most of the parameters (up to 90%) are allocated to modeling the temporal structure of the data. Our results thus constitute a set of guidelines for the design of bespoke deep learning models for crop type classification. Numéro de notice : C2019-018 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2019.8900517 date de publication en ligne : 14/11/2019 En ligne : https://doi.org/10.1109/IGARSS.2019.8900517 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93352

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

Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR / Stéphane Guinard (2017)  

Permalink

Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)  

Permalink