Centre dedocumentation
scientifique

Piecewise horizontal 3D roof reconstruction from aerial Lidar / Slim Namouchi (2019)  

Public Titre : Piecewise horizontal 3D roof reconstruction from aerial Lidar Type de document : Article/Communication Auteurs : Slim Namouchi, Auteur ; Bruno Vallet , Auteur ; Imed Riadh Farah, Auteur ; Haythem Ismail, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2019 Projets : 2-Pas d'info accessible - article non ouvert / Conférence : IGARSS 2019, IEEE International Geoscience And Remote Sensing Symposium 28/07/2019 02/08/2019 Yokohama Japon Proceedings IEEE Importance : pp 8992 - 8995 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] aide à la décision [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] extraction de points [Termes IGN] image RVB [Termes IGN] planification urbaine [Termes IGN] reconstruction 3D du bâti [Termes IGN] reconstruction d'image [Termes IGN] semis de points [Termes IGN] toit [Termes IGN] ville intelligente Résumé : (auteur) 3D urban models provide convincing analytic tools for decision making, city planning, and smart city services. However, developing a fully automated method that can produce 3D building models of high quality, fidelity and accuracy is still a challenging task. Currently, most of the proposed approaches handle polyhedral roofs (consisting of planar polygons) because they assume that all roofs in a single area follow this prior. However, the reconstruction method could have its prior adapted to the roof type. In this paper, we are dealing with a specific roof case which is piecewise horizontal roofs which are very frequent in most countries of North Africa and in particular in Tunisia. Our building reconstruction method follows four main steps: building LiDAR points extraction, piecewise horizontal roof clustering, boundary creation and 3D geometric modeling. In order to prove the suitability and the effectiveness of the introduced method, experiments are conducted with real LiDAR data and aerial RGB image. Numéro de notice : C2019-038 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2019.8898650 Date de publication en ligne : 14/11/2019 En ligne : https://doi.org/10.1109/IGARSS.2019.8898650 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95354

Scalable evaluation of 3D city models / Oussama Ennafii (2019)  

Public Titre : Scalable evaluation of 3D city models Type de document : Article/Communication Auteurs : Oussama Ennafii , Auteur ; Arnaud Le Bris , Auteur ; Florent Lafarge, Auteur ; Clément Mallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2019 Projets : 1-Pas de projet / Conférence : IGARSS 2019, IEEE International Geoscience And Remote Sensing Symposium 28/07/2019 02/08/2019 Yokohama Japon Proceedings IEEE Importance : 4 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] analyse de données [Termes IGN] classification dirigée [Termes IGN] fusion d'images [Termes IGN] fusion de données [Termes IGN] image à très haute résolution [Termes IGN] modélisation 3D du bâti BIM [Termes IGN] taxinomie Résumé : (Auteur) The generation of 3D building models from Very High Resolution geospatial data is now an automatized procedure. However, urban areas are very complex and practitioners still have to visually assess the correctness of these models and detect reconstruction errors. We proposed an approach for automatically evaluating the quality of 3D building models. It is cast as a supervised classification task based on a hierarchical taxonomy and multimodal handcrafted features (building geometry, optical images, height data). In this paper, we evaluate how the urban area composition impacts prediction transferability and scalability of our framework to unseen scenes. This allows to define minimal feature and training sets for a problem where no benchmark data has been released so far. Numéro de notice : C2019-006 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Autre URL associée : vers HAL Thématique : IMAGERIE/URBANISME Nature : Poster nature-HAL : Poster-avec-CL DOI : 10.1109/IGARSS.2019.8899337 Date de publication en ligne : 14/11/2019 En ligne : https://doi.org/10.1109/IGARSS.2019.8899337 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92592

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 Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2019 Projets : 1-Pas de projet / Conférence : IGARSS 2019, IEEE International Geoscience And Remote Sensing Symposium 28/07/2019 02/08/2019 Yokohama Japon Proceedings IEEE Importance : 4 p. 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 [Termes IGN] cultures [Termes IGN] image Sentinel-MSI [Termes 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 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Autre URL associée : URL ArXiv 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