Détail de l'auteur
Auteur Margarita Khokhlova
Commentaire :
Fujitsu France
Autorités liées :
|
Documents disponibles écrits par cet auteur (8)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesGisGCN: a visual graph-based framework to match geographical areas through time / Margarita Khokhlova in ISPRS International journal of geo-information, vol 11 n° 2 (February 2022)
Titre : GisGCN: a visual graph-based framework to match geographical areas through time Type de document : Article/Communication Auteurs : Margarita Khokhlova, Auteur ; Nathalie Abadie Année de publication : 2022 Projets : Alegoria / Gouet-Brunet, Valérie Article en page(s) : n° 97 Note générale : bibliographie Langues : Anglais (eng) Résumé : (auteur) Historical visual sources are particularly useful for reconstructing the successive states of the territory in the past and for analysing its evolution. However, finding visual sources covering a given area within a large mass of archives can be very difficult if they are poorly documented. In the case of aerial photographs, most of the time, this task is carried out by solely relying on the visual content of the images. Convolutional Neural Networks are capable to capture the visual cues of the images and match them to each other given a sufficient amount of training data. However, over time and across seasons, the natural and man-made landscapes may evolve, making historical image-based retrieval a challenging task. We want to approach this cross-time aerial indexing and retrieval problem from a different novel point of view: by using geometrical and topological properties of geographic entities of the researched zone encoded as graph representations which are more robust to appearance changes than the pure image-based ones. Geographic entities in the vertical aerial images are thought of as nodes in a graph, linked to each other by edges representing their spatial relationships. To build such graphs, we propose to use instances from topographic vector databases and state-of-the-art spatial analysis methods. We demonstrate how these geospatial graphs can be successfully matched across time by means of the learned graph embedding. Numéro de notice : A2022-156 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi11020097 Date de publication en ligne : 29/01/2022 En ligne : https://doi.org/10.3390/ijgi11020097 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100316
in ISPRS International journal of geo-information > vol 11 n° 2 (February 2022) . - n° 97[article]
Titre : Learning embeddings for cross-time geographic areas represented as graphs Type de document : Article/Communication Auteurs : Margarita Khokhlova, Auteur ; Nathalie Abadie Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : SAC 2021, 36th Annual ACM Symposium on Applied Computing 22/03/2021 26/03/2021 en ligne Proceedings ACM Importance : pp 559 - 568 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] arête
[Termes IGN] classification par réseau neuronal
[Termes IGN] entité géographique
[Termes IGN] graphe flou
[Termes IGN] image aérienne à axe vertical
[Termes IGN] noeud
[Termes IGN] relation spatiale
[Termes IGN] représentation graphique
[Termes IGN] réseau neuronal de graphesRésumé : (auteur) Geographic entities from the vertical aerial images can be viewed as discrete objects and represented as nodes in a graph, linked to each other by edges capturing their spatial relationships. Over time, the natural and man made landscape may evolve and thus also their graph representations. This paper addresses the challenging problem of the retrieval and fuzzy matching of graphs to localize near-identical geographical areas across time. Several use-case scenarios are proposed for the end-to-end learning of a graph embedding using Graph Neural Networks (GNN), along with an effective baseline without learning. The results demonstrate the efficiency of our approach, that enables efficient similarity reasoning for novel hand-engineered cross-time graph data. Code and data processing scripts are available online. Numéro de notice : C2021-002 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3412841.3441936 En ligne : https://doi.org/10.1145/3412841.3441936 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97583 SUMAC'21: Proceedings of the 3rd Workshop on Structuring and Understanding of Multimedia heritAge Contents / Valérie Gouet-Brunet (2021)
Titre : SUMAC'21: Proceedings of the 3rd Workshop on Structuring and Understanding of Multimedia heritAge Contents Type de document : Actes de congrès Auteurs : Valérie Gouet-Brunet Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2021 Conférence : SUMAC 2021, 3rd workshop on Structuring and Understanding of Multimedia heritAge Contents 20/10/2021 24/10/2021 Chengdu Chine Proceedings ACM Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] exploration d'images
[Termes IGN] image numérique
[Termes IGN] image numérisée
[Termes IGN] patrimoine culturel
[Termes IGN] recherche d'image basée sur le contenuNuméro de notice : 13912 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Actes nature-HAL : DirectOuvrColl/Actes DOI : 10.1145/3475720 En ligne : https://doi.org/10.1145/3475720 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99053
Titre : Cross-year multi-modal image retrieval using siamese networks Type de document : Article/Communication Auteurs : Margarita Khokhlova, Auteur ; Valérie Gouet-Brunet Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2020 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : ICIP 2020, 27th IEEE International Conference on Image Processing 25/10/2020 28/10/2020 Abou Dhabi Emirats Arabes Unis Proceedings IEEE Importance : pp 2361 - 2365 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] descripteur
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantiqueRésumé : (auteur) This paper introduces a multi-modal network that learns to retrieve by content vertical aerial images of French urban and rural territories taken about 15 years apart. This means it should be invariant against a big range of changes as the (nat-ural) landscape evolves over time. It leverages the original images and semantically segmented and labeled regions. The core of the method is a Siamese network that learns to extract features from corresponding image pairs across time. These descriptors are discriminative enough, such that a simple kNN classifier on top, suffices as final geo-matching criteria. The method outperformed SOTA "off-the-shelf" image descrip-tors GEM and ResNet50 on the new aerial images dataset. Numéro de notice : C2020-015 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICIP40778.2020.9190662 Date de publication en ligne : 01/10/2020 En ligne : https://doi.org/10.1109/ICIP40778.2020.9190662 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95684 
Titre : Recherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois Type de document : Article/Communication Auteurs : Margarita Khokhlova, Auteur ; Valérie Gouet-Brunet Editeur : Vannes : Université de Bretagne Sud Année de publication : 2020 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : RFIAP 2020, Reconnaissance des Formes, Image, Apprentissage et Perception 23/06/2020 26/06/2020 Vannes France Open Access Proceedings Importance : 11 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse du paysage
[Termes IGN] appariement d'images
[Termes IGN] architecture de réseau
[Termes IGN] BD ortho
[Termes IGN] BD Topo
[Termes IGN] classification barycentrique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] données multitemporelles
[Termes IGN] géolocalisation
[Termes IGN] image aérienne
[Termes IGN] image multitemporelle
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] réseau neuronal siamois
[Termes IGN] segmentation sémantiqueRésumé : (auteur) Cet article présente un réseau multimodal qui met en correspondance des images aériennes de territoires urbains et ruraux français prises à environ 15 ans d'intervalle. Il devrait être invariant à un large éventail de changements, tels que l'évolution du paysage au fil des années. Il exploite les images originales et les régions sémantiquement segmentées et étiquetées. Le coeur de la méthode est un réseau siamois qui apprend à extraire des caractéristiques des paires d'images correspondantes dans le temps et des paires non correspondantes. Ces descripteurs sont suffisamment discriminants pour qu'un simple classifieur k-NN suffise comme critère de géo-correspondance final. Dans cet article, nous dé-montrons que notre descripteur siamois surpasse les autres descripteurs d'images en termes de recherche d'images par contenu à travers le temps. Numéro de notice : C2020-003 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://cap-rfiap2020.sciencesconf.org/data/RFIAP_2020_paper_21.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95446 Voir aussiDocuments numériques
en open access
rfiap2020_21_cameraready.pdfAdobe Acrobat PDF
