Centre de documentation
scientifique

Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) / Yizi Chen (2023)  

Public Titre : Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) Titre original : Vectorisation et alignement modernes des cartes historiques : Une application à l'Atlas de Paris (1789-1950) Type de document : Thèse/HDR Auteurs : Yizi Chen , Auteur ; Julien Perret , Directeur de thèse ; Joseph Chazalon, Directeur de thèse ; Clément Mallet , Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2023 Importance : 124 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] alignement des données [Termes IGN] apprentissage profond [Termes IGN] carte ancienne [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] contraste local [Termes IGN] extraction automatique [Termes IGN] jeu de données localisées [Termes IGN] morphologie mathématique [Termes IGN] Paris (75) [Termes IGN] plan de ville [Termes IGN] reconnaissance de formes [Termes IGN] vectorisation [Termes IGN] vision par ordinateur Index. décimale : THESE Thèses et HDR Résumé : (auteur) Les cartes sont une source unique de connaissances depuis des siècles. Ces documents historiques fournissent des informations inestimables pour analyser des transformations spatiales complexes sur des périodes importantes. Cela est particulièrement vrai pour les zones urbaines qui englobent de multiples domaines de recherche imbriqués : humanités, sciences sociales, etc. La complexité des cartes (texte, bruit, artefacts de numérisation, etc.) a entravé la capacité à proposer des approches de vectorisation polyvalentes et efficaces pendant des décennies. Dans cette thèse, nous proposons une solution apprenable, reproductible et réutilisable pour la transformation automatique de cartes raster en objets vectoriels (îlots, rues, rivières), en nous focalisant sur le problème d'extraction de formes closes. Notre approche s'appuie sur la complémentarité des réseaux de neurones convolutifs qui excellent dans et de la morphologie mathématique, qui présente de solides garanties au regard de l'extraction de formes closes tout en étant très sensible au bruit. Afin d'améliorer la robustesse au bruit des filtres convolutifs, nous comparons plusieurs fonctions de coût visant spécifiquement à préserver les propriétés topologiques des résultats, et en proposons de nouvelles. À cette fin, nous introduisons également un nouveau type de couche convolutive (CConv) exploitant le contraste des images, pour explorer les possibilités de telles améliorations à l'aide de transformations architecturales des réseaux. Finalement, nous comparons les différentes approches et architectures qui peuvent être utilisées pour implémenter chaque étape de notre chaîne de traitements, et comment combiner ces dernières de la meilleure façon possible. Grâce à une chaîne de traitement fonctionnelle, nous proposons une nouvelle procédure d'alignement d'images de plans historiques, et commençons à tirer profit de la redondance des données extraites dans des images similaires pour propager des annotations, améliorer la qualité de la vectorisation, et éventuellement détecter des cas d'évolution en vue d'analyse thématique, ou encore l'estimation automatique de la qualité de la vectorisation. Afin d'évaluer la performance des méthodes mentionnées précédemment, nous avons publié un nouveau jeu de données composé d'images de plans historiques annotées. C'est le premier jeu de données en libre accès dédié à la vectorisation de plans historiques. Nous espérons qu'au travers de nos publications, et de la diffusion ouverte et publique de nos résultats, sources et jeux de données, cette recherche pourra être utile à un large éventail d'applications liées aux cartes historiques. Note de contenu : 1- Introduction 2- Pipeline design for historical map vectorization 3- Learning edges through deep neural architectures 4- Topology-aware loss functions 5- Improving model robustness of deep edge detectors 6- Leveraging redundancies of historical maps 7- Conclusion and perspectives Numéro de notice : 10713 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de doctorat : Sciences géographiques : UGE : 2023 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-04106107 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103264

BuyTheDips : PathLoss for improved topology-preserving deep learning-based image segmentation / Minh On Vu Ngoc (2022)  

Public Titre : BuyTheDips : PathLoss for improved topology-preserving deep learning-based image segmentation Type de document : Article/Communication Auteurs : Minh On Vu Ngoc, Auteur ; Yizi Chen , Auteur ; Nicolas Boutry, Auteur ; Jonathan Fabrizio, Auteur ; Clément Mallet , Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2022 Projets : SODUCO / Perret, Julien Importance : 13 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] chemin le plus court, algorithme du [Termes IGN] fonction de perte [Termes IGN] image numérique [Termes IGN] proximité sémantique [Termes IGN] segmentation d'image Résumé : (auteur) Capturing the global topology of an image is essential for proposing an accurate segmentation of its domain. However, most of existing segmentation methods do not preserve the initial topology of the given input, which is detrimental for numerous downstream object-based tasks. This is all the more true for deep learning models which most work at local scales. In this paper, we propose a new topology-preserving deep image segmentation method which relies on a new leakage loss: the Pathloss. Our method is an extension of the BALoss [1], in which we want to improve the leakage detection for better recovering the closeness property of the image segmentation. This loss allows us to correctly localize and fix the critical points (a leakage in the boundaries) that could occur in the predictions, and is based on a shortest-path search algorithm. This way, loss minimization enforces connectivity only where it is necessary and finally provides a good localization of the boundaries of the objects in the image. Moreover, according to our research, our Pathloss learns to preserve stronger elongated structure compared to methods without using topology-preserving loss. Training with our topological loss function, our method outperforms state-of-the-art topology-aware methods on two representative datasets of different natures: Electron Microscopy and Historical Map. Numéro de notice : P2022-005 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Preprint nature-HAL : Préprint DOI : 10.48550/arXiv.2207.11446 En ligne : https://doi.org/10.48550/arXiv.2207.11446 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101338

Preface: the 2021 edition of the XXIVth ISPRS congress / Clément Mallet in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol V-1-2021 (July 2021)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol V-1-2021 (July 2021) . - pp 1 - 5 Titre : Preface: the 2021 edition of the XXIVth ISPRS congress Type de document : Article/Communication Auteurs : Clément Mallet , Auteur ; Florent Lafarge, Auteur ; Martyna Poreba , Auteur ; Teng Wu , Auteur ; Gaétan Bahl, Auteur ; Min Yu, Auteur ; Anatol Garioud , Auteur ; Yizi Chen , Auteur ; San Jiang, Auteur ; Michael Ying Yang, Auteur ; Nicolas Paparoditis , Auteur Année de publication : 2021 Projets : 1-Pas de projet / Perret, Julien Conférence : ISPRS 2021, Commission 1, XXIV ISPRS Congress, Imaging today foreseeing tomorrow 05/07/2021 09/07/2021 Nice on-line France OA Annals Commission 1 Article en page(s) : pp 1 - 5 Note générale : bibliographie Langues : Anglais (eng) Résumé : (auteur) We report key elements and figures related to the proceedings of the 2021 edition of the XXIVth ISPRS Congress. Similarly to 2020, the COVID-19 pandemic caused global travel challenges and restrictions for the first half of 2021. Consequently, the physical Congress re-scheduled from June 2020 to July 2021 was again postponed to June 2022, still in Nice (France). Papers were already submitted and the ISPRS Council decided to carry out the review process and the publication of the proceedings of the papers submitted under the label “2021 Edition”. The authors of published papers had the opportunity to present their work during a Digital Event, this year scheduled the same week as the planned Congress (5–9 July 2021). Numéro de notice : A2021-613 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-4-2021-1-2021 Date de publication en ligne : 17/06/2021 En ligne : http://dx.doi.org/10.5194/isprs-annals-V-4-2021-1-2021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97948 [article]

Combining deep learning and mathematical morphology for historical map segmentation / Yizi Chen (2021)  

Public Titre : Combining deep learning and mathematical morphology for historical map segmentation Type de document : Chapitre/Contribution Auteurs : Yizi Chen , Auteur ; Edwin Carlinet, Auteur ; Joseph Chazalon, Auteur ; Clément Mallet , Auteur ; Bertrand Duménieu , Auteur ; Julien Perret , Auteur Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2021 Collection : Lecture notes in Computer Science, ISSN 0302-9743 num. 12708 Projets : SODUCO / Perret, Julien Conférence : DGMM 2021, 1st International Joint Conference on Discrete Geometry and Mathematical Morphology 24/05/2021 27/05/2021 Uppsala Suède Proceedings Springer Importance : pp 79 - 92 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] analyse diachronique [Termes IGN] apprentissage profond [Termes IGN] carte ancienne [Termes IGN] chaîne de traitement [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] données maillées [Termes IGN] morphologie mathématique [Termes IGN] vectorisation Résumé : (auteur) The digitization of historical maps enables the study of ancient, fragile, unique, and hardly accessible information sources. Main map features can be retrieved and tracked through the time for subsequent thematic analysis. The goal of this work is the vectorization step, i.e., the extraction of vector shapes of the objects of interest from raster images of maps. We are particularly interested in closed shape detection such as buildings, building blocks, gardens, rivers, etc. in order to monitor their temporal evolution. Historical map images present significant pattern recognition challenges. The extraction of closed shapes by using traditional Mathematical Morphology (MM) is highly challenging due to the overlapping of multiple map features and texts. Moreover, state-of-the-art Convolutional Neural Networks (CNN) are perfectly designed for content image filtering but provide no guarantee about closed shape detection. Also, the lack of textural and color information of historical maps makes it hard for CNN to detect shapes that are represented by only their boundaries. Our contribution is a pipeline that combines the strengths of CNN (efficient edge detection and filtering) and MM (guaranteed extraction of closed shapes) in order to achieve such a task. The evaluation of our approach on a public dataset shows its effectiveness for extracting the closed boundaries of objects in historical maps. Numéro de notice : H2021-001 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Chapître / contribution nature-HAL : ChOuvrScient DOI : 10.1007/978-3-030-76657-3_5 Date de publication en ligne : 16/05/2021 En ligne : https://hal.science/hal-03101578v1 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96739

ICDAR 2021 competition on historical map segmentation / Joseph Chazalon (2021)  

Public Titre : ICDAR 2021 competition on historical map segmentation Type de document : Article/Communication Auteurs : Joseph Chazalon, Auteur ; Edwin Carlinet, Auteur ; Yizi Chen , Auteur ; Julien Perret , Auteur ; Bertrand Duménieu , Auteur ; Clément Mallet , Auteur ; Thierry Géraud, Auteur ; Vincent Nguyen, Auteur ; Nam Nguyen, Auteur ; Josef Baloun, Auteur ; Ladislav Lenc, Auteur ; Pavel Král, Auteur Editeur : Le Kremlin Bicêtre : Ecole pour l'Informatique et les Techniques Avancées EPITA Année de publication : 2021 Projets : 1-Pas de projet / Perret, Julien Conférence : ICDAR 2021, 16th International Conference on Document Analysis and Recognition 05/09/2021 10/09/2021 Lausanne Suisse Proceedings Springer Importance : 15 p. Note générale : bibliographie Langues : Anglais (eng) Résumé : (auteur) This paper presents the final results of the ICDAR 2021 Competition on Historical Map Segmentation (MapSeg), encouraging research on a series of historical atlases of Paris, France, drawn at 1/5000 scale between 1894 and 1937. The competition featured three tasks, awarded separately. Task 1 consists in detecting building blocks and was won by the L3IRIS team using a DenseNet-121 network trained in a weakly supervised fashion. This task is evaluated on 3 large images containing hundreds of shapes to detect. Task 2 consists in segmenting map content from the larger map sheet, and was won by the UWB team using a U-Net-like FCN combined with a binarization method to increase detection edge accuracy. Task 3 consists in locating intersection points of geo-referencing lines, and was also won by the UWB team who used a dedicated pipeline combining binarization, line detection with Hough transform, candidate filtering, and template matching for intersection refinement. Tasks 2 and 3 are evaluated on 95 map sheets with complex content. Dataset, evaluation tools and results are available under permissive licensing at https://icdar21-mapseg.github.io/. Numéro de notice : C2021-022 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://hal.science/hal-03256193 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98032

Introducing the boundary-aware loss for deep image segmentation / Minh On Vu Ngoc (2021)  

Permalink

Vectorization of historical maps using deep edge filtering and closed shape extraction / Yizi Chen (2021)  

Permalink