Centre de documentation
scientifique

Deriving map images of generalised mountain roads with generative adversarial networks / Azelle Courtial in International journal of geographical information science IJGIS, vol 37 n° 3 (March 2023)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 37 n° 3 (March 2023) . - pp 499 - 528 Titre : Deriving map images of generalised mountain roads with generative adversarial networks Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Année de publication : 2023 Article en page(s) : pp 499 - 528 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] analyse comparative [Termes IGN] apprentissage dirigé [Termes IGN] apprentissage non-dirigé [Termes IGN] carte routière [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] généralisation cartographique automatisée [Termes IGN] montagne [Termes IGN] réseau antagoniste génératif [Vedettes matières IGN] Généralisation Résumé : (auteur) Map generalisation is a process that transforms geographic information for a cartographic at a specific scale. The goal is to produce legible and informative maps even at small scales from a detailed dataset. The potential of deep learning to help in this task is still unknown. This article examines the use case of mountain road generalisation, to explore the potential of a specific deep learning approach: generative adversarial networks (GAN). Our goal is to generate images that depict road maps generalised at the 1:250k scale, from images that depict road maps of the same area using un-generalised 1:25k data. This paper not only shows the potential of deep learning to generate generalised mountain roads, but also analyses how the process of deep learning generalisation works, compares supervised and unsupervised learning and explores possible improvements. With this experiment we have exhibited an unsupervised model that is able to generate generalised maps evaluated as good as the reference and reviewed some possible improvements for deep learning-based generalisation, including training set management and the definition of a new road connectivity loss. All our results are evaluated visually using a four questions process and validated by a user test conducted on 113 individuals. Numéro de notice : A2023-073 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2022.2123488 Date de publication en ligne : 20/10/2022 En ligne : https://doi.org/10.1080/13658816.2022.2123488 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101901 [article]

Exploring the potential of deep learning for map generalization / Azelle Courtial (2023)  

Public Titre : Exploring the potential of deep learning for map generalization Type de document : Thèse/HDR Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Directeur de thèse ; Xiang Zhang, Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2023 Importance : 216 p. Note générale : bibliographie Doctoral thesis from Université Gustave Eiffel, Doctoral school MSTIC, Specialty "Geographic information sciences" Langues : Anglais (eng) Descripteur : [Termes IGN] généralisation automatique de données [Termes IGN] généralisation cartographique automatisée [Termes IGN] relation spatiale [Termes IGN] réseau antagoniste génératif [Termes IGN] réseau neuronal profond [Vedettes matières IGN] Généralisation Index. décimale : THESE Thèses et HDR Résumé : (auteur) Map generalization is a process that aims to adapt the level of detail of geographic information for cartography at a small scale. Automating the process is complex but essential in map production. We think this research field could benefit from the recent advances in deep learning that make it possible to solve more and more complex tasks, using numerous training examples. This thesis proposes exploring the potential of deep learning for map generalization. This exploration is built upon three map generalization use cases: recognition of spatial relations, graphic generalization of mountain roads, and generalization of topographic maps at medium scales. These three use cases enable us to address research questions relative to the concrete implementation of deep learning models for map generalization (including dataset creation and architecture), the evaluation of such models and their integration in existing generalization processes. In addition to the models and training set adapted for each of our case studies already mentioned, we propose evaluation methods adapted to the challenges of cartographic generalization by deep learning. Finally, we propose a partitioning of the cartographic generalization into sub-problems facilitating the resolution by learning and allowing the generation of generalized map images. Note de contenu : Introduction Part 1 A new paradigm for map generalization Chapter A. Literature review Chapter B. Formulating map generalization as a deep learning task Chapter C. Designing a framework for deep learning based map generalization Part 2 Exploration of deep learning for map generalization Chapter D. Can graph neural networks model spatial relations? Chapter E. CNN for the generalization of roads Chapter F. The generation of topographic map with several themes Part III The future of map generalization with deep learning Chapter G. Usages of deep learning models for map generalization Chapter H. Evaluation of deep learning predictions Conclusion Numéro de notice : 17752 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : Thèse française Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 05/05/2023 En ligne : https://theses.hal.science/tel-04089883v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103186

Constraint-based evaluation of map images generalized by deep learning / Azelle Courtial in Journal of Geovisualization and Spatial Analysis, vol 6 n° 1 (June 2022)  

Public [article]  inJournal of Geovisualization and Spatial Analysis > vol 6 n° 1 (June 2022) . - n° 13 Titre : Constraint-based evaluation of map images generalized by deep learning Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Année de publication : 2022 Projets : 2-Pas d'info accessible - article non ouvert / Article en page(s) : n° 13 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] connexité (graphes) [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] montagne [Termes IGN] programmation par contraintes [Termes IGN] qualité des données [Termes IGN] rendu réaliste [Termes IGN] route [Vedettes matières IGN] Généralisation Résumé : (auteur) Deep learning techniques have recently been experimented for map generalization. Although promising, these experiments raise new problems regarding the evaluation of the output images. Traditional map generalization evaluation cannot directly be applied to the results in a raster format. Additionally, the internal evaluation used by deep learning models is mostly based on the realism of images and the accuracy of pixels, and none of these criteria is sufficient to evaluate a generalization process. Finally, deep learning processes tend to hide the causal mechanisms and do not always guarantee a result that follows cartographic principles. In this article, we propose a method to adapt constraint-based evaluation to the images generated by deep learning models. We focus on the use case of mountain road generalization, and detail seven raster-based constraints, namely, clutter, coalescence reduction, smoothness, position preservation, road connectivity preservation, noise absence, and color realism constraints. These constraints can contribute to current studies on deep learning-based map generalization, as they can help guide the learning process, compare different models, validate these models, and identify remaining problems in the output images. They can also be used to assess the quality of training examples. Numéro de notice : A2022-449 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s41651-022-00104-2 Date de publication en ligne : 07/05/2022 En ligne : http://dx.doi.org/10.1007/s41651-022-00104-2 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100646 [article]

Identification de relations spatiales par apprentissage profond sur des graphes / Azelle Courtial in Cartes & Géomatique, n° 247-248 (mars-juin 2022)

Public [article]  inCartes & Géomatique > n° 247-248 (mars-juin 2022) . - pp 77 - 80 Titre : Identification de relations spatiales par apprentissage profond sur des graphes Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Année de publication : 2022 Conférence : ICC 2021, 30th ICA international cartographic conference 14/12/2021 18/12/2021 Florence Italie Article en page(s) : pp 77 - 80 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes IGN] alignement [Termes IGN] apprentissage profond [Termes IGN] généralisation cartographique automatisée [Termes IGN] relation spatiale [Termes IGN] réseau neuronal convolutif [Termes IGN] réseau routier [Vedettes matières IGN] Généralisation Résumé : (Auteur) L'identification des structures et relations spatiales est une tâche clé de la généralisation cartographique automatique. Dans cet article, nous explorons le potentiel des réseaux d'apprentissage profond par convolution sur des graphes (GCN) pour apprendre à identifier des relations spatiales à travers deux cas d'études : la détection d'alignement et la sélection du réseau routier. Nos résultats sont plutôt encourageants et mettent en lumière les enjeux liés à la construction et l'enrichissement d'une structure de graphes adaptée à la tâche dont on désire l'apprentissage. Numéro de notice : A2022-679 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101900 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
021-2022011	SL	Revue	Centre de documentation	Revues en salle	Disponible

Apprendre à combiner l'information géographique pour générer une carte généralisée [poster à l'EGC 2022] / Azelle Courtial in Revue des Nouvelles Technologies de l'Information, E.38 (2022)  

Public [article]  inRevue des Nouvelles Technologies de l'Information > E.38 (2022) . - pp 491 - 492 Titre : Apprendre à combiner l'information géographique pour générer une carte généralisée [poster à l'EGC 2022] Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur Année de publication : 2022 Projets : 1-Pas de projet / Conférence : EGC 2022 24/01/2022 28/01/2022 Blois France Article en page(s) : pp 491 - 492 Note générale : bibliographie RNTI/papers/1002771 Langues : Français (fre) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] représentation géographique [Vedettes matières IGN] Généralisation Résumé : (auteur) Deep learning allows the generation of maps from images. However, images only convey a limited view of the vector geographic information. We explore the methods to combine and represent cartographic information as tensors to improve map generation using deep learning. Numéro de notice : A2022-697 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans En ligne : https://editions-rnti.fr/render_pdf.php?p=1002771 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101884 [article]

AlpineBends – A benchmark for deep learning-based generalisation / Azelle Courtial (2022)  

Permalink

BasqueRoads: a benchmark for road network selection / Guillaume Touya (2022)  

Permalink

Représentation et combinaison de l'information géographique pour l'apprentissage profond / Azelle Courtial (2022)    

Permalink

Representing vector geographic information as a tensor for deep learning based map generalisation / Azelle Courtial (2022)  

Permalink

Can graph convolution networks learn spatial relations? / Azelle Courtial (2021)  

Permalink

Generative adversarial networks to generalise urban areas in topographic maps / Azelle Courtial (2021)  

Permalink

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)  

Permalink

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

Permalink

Inferring the scale and content of a map using deep learning / Guillaume Touya (2020)  

Permalink