Centre dedocumentation
scientifique

Comparison between convolutional neural networks and random forest for local climate zone classification in mega urban areas using Landsat images / Cheolhee Yoo in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 157 (November 2019) . - pp 155 - 170 Titre : Comparison between convolutional neural networks and random forest for local climate zone classification in mega urban areas using Landsat images Type de document : Article/Communication Auteurs : Cheolhee Yoo, Auteur ; Daehyeon Han, Auteur ; Jungho Im, Auteur ; Benjamin Bechtel, Auteur Année de publication : 2019 Article en page(s) : pp 155 - 170 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse comparative [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] Chicago (Illinois) [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] climat urbain [Termes descripteurs IGN] Hong-Kong [Termes descripteurs IGN] ilot thermique urbain [Termes descripteurs IGN] image Landsat-8 [Termes descripteurs IGN] Madrid (Espagne) [Termes descripteurs IGN] Rome [Termes descripteurs IGN] World Urban Database and Access Portal Tools [Termes descripteurs IGN] zone urbaine dense Résumé : (Auteur) The Local Climate Zone (LCZ) scheme is a classification system providing a standardization framework to present the characteristics of urban forms and functions, especially for urban heat island (UHI) research. Landsat-based 100 m resolution LCZ maps have been classified by the World Urban Database and Portal Tool (WUDAPT) method using a random forest (RF) machine learning classifier. Some studies have proposed modified RF and convolutional neural network (CNN) approaches. This study aims to compare CNN with an RF classifier for LCZ mapping in great detail. We designed five schemes (three RF-based schemes (S1–S3) and two CNN-based ones (S4–S5)), which consist of various combinations of input features from bitemporal Landsat 8 data over four global mega cities: Rome, Hong Kong, Madrid, and Chicago. Among the five schemes, the CNN-based one with the incorporation of a larger neighborhood information showed the best classification performance. When compared to the WUDAPT workflow, the overall accuracies for entire land cover classes (OA) and for urban LCZ types (i.e., LCZ1-10; OAurb) increased by about 6–8% and 10–13%, respectively, for the four cities. The transferability of LCZ models for the four cities were evaluated, showing that CNN consistently resulted in higher accuracy (increased by about 7–18% and 18–29% for OA and OAurb, respectively) than RF. This study revealed that the CNN classifier classified particularly well for the specific LCZ classes in which buildings were mixed with trees or buildings or plants were sparsely distributed. The research findings can provide a basis for guidance of future LCZ classification using deep learning. Numéro de notice : A2019-495 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.09.009 date de publication en ligne : 19/09/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.09.009 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93728 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2019111	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2019113	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2019112	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery / Yuri Shendryk in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 157 (November 2019) . - pp 124 - 136 Titre : Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery Type de document : Article/Communication Auteurs : Yuri Shendryk, Auteur ; Yannik Rist, Auteur ; Catherine Ticehurst, Auteur ; Peter Thorburn, Auteur Année de publication : 2019 Article en page(s) : pp 124 - 136 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] Amazonie [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] Australie [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] détection d'ombre [Termes descripteurs IGN] état de l'art [Termes descripteurs IGN] image à haute résolution [Termes descripteurs IGN] image PlanetScope [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] nuage [Termes descripteurs IGN] occupation du sol [Termes descripteurs IGN] zone tropicale humide Résumé : (Auteur) With the increasing availability of high-resolution satellite imagery it is important to improve the efficiency and accuracy of satellite image indexing, retrieval and classification. Furthermore, there is a need for utilizing all available satellite imagery in identifying general land cover types and monitoring their changes through time irrespective of their spatial, spectral, temporal and radiometric resolutions. Therefore, in this study, we developed deep learning models able to efficiently and accurately classify cloud, shadow and land cover scenes in different high-resolution ( Numéro de notice : A2019-494 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.08.018 date de publication en ligne : 17/09/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.08.018 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93727 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2019111	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2019113	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2019112	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

A double-strategy-check active learning algorithm for hyperspectral image classification / Ying Cui in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 11 (November 2019)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 85 n° 11 (November 2019) Titre : A double-strategy-check active learning algorithm for hyperspectral image classification Type de document : Article/Communication Auteurs : Ying Cui, Auteur ; Xiaowei Ji, Auteur ; Kai Xu, Auteur ; Liguo Wang, Auteur Année de publication : 2019 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] algorithme d'apprentissage [Termes descripteurs IGN] apprentissage semi-dirigé [Termes descripteurs IGN] classification semi-dirigée [Termes descripteurs IGN] image hyperspectrale Résumé : (Auteur) Applying limited labeled samples to improve classification results is a challenge in hyperspectral images. Active Learning (AL) and Semisupervised Learning (SSL) are two promising techniques to achieve this challenge. Combining AL with SSL is an excellent idea for hyperspectral image classification. The traditional method, such as the Collaborative Active and Semisupervised Learning algorithm (CASSL), may introduce many incorrect pseudolabels and shows premature convergence. To overcome these drawbacks, a novel framework named Double-Strategy-Check Collaborative Active and Semisupervised Learning (DSC-CASSL) is proposed in this paper. This framework combines two different AL algorithms and SSL in a collaborative mode. The double-strategy verification can gradually improve the pseudolabeling accuracy and facilitate SSL. We evaluate the performance of DSC-CASSL on four hyperspectral data sets and compare it with that of four hyperspectral image classification methods. Our results suggest that DSC-CASSL leads to consistent improvement for hyperspectral image classification. Numéro de notice : A2019-526 Thématique : IMAGERIE Nature : Article DOI : 10.14358/PERS.85.11.841 date de publication en ligne : 01/11/2019 En ligne : https://doi.org/10.14358/PERS.85.11.841 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94067 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2019111	SL	Revue	Centre de documentation	Indéterminé	Disponible

Segmenting mangrove ecosystems drone images using SLIC superpixels / Edward Zimudzi in Geocarto international, vol 34 n° 14 ([30/10/2019])  

Public [article]  inGeocarto international > vol 34 n° 14 [30/10/2019] . - pp 1648 - 1662 Titre : Segmenting mangrove ecosystems drone images using SLIC superpixels Type de document : Article/Communication Auteurs : Edward Zimudzi, Auteur ; Ian Sanders, Auteur ; Nicholas Rollings, Auteur ; Christian Omlin, Auteur Année de publication : 2019 Article en page(s) : pp 1648 - 1662 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] classification par nuées dynamiques [Termes descripteurs IGN] classification pixellaire [Termes descripteurs IGN] Fidji [Termes descripteurs IGN] image de drone [Termes descripteurs IGN] mangrove [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] orthophotoplan numérique [Termes descripteurs IGN] segmentation d'image Résumé : (auteur) Mangrove ecosystems play a very important ecological role on land–ocean interfaces in tropical regions. These ecosystems comprise of various tree species and aquatic animals, protecting the environment and providing a habitat that supports many living organisms including humans. The identification of image regions in mangrove ecosystems plays a significant role in ecosystem monitoring and conservation. Recent studies have suggested oversegmentation of colour images using superpixels as a solution to the segmentation of image regions. This study used the SLIC superpixel algorithm and k-means clustering to segment images taken from a camera mounted on a drone from a mangrove ecosystem in Fiji. The SLIC superpixel algorithm performed well to demarcate image regions with similar colour and texture information into patches and to use k-means for the segmentation of the whole image. These results lend support to the use of superpixel algorithms for the segmentation of mangrove ecosystems. Understanding how superpixels can be used for the segmentation of drone images will assist conservation efforts in mangrove ecosystems. Numéro de notice : A2019-539 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2018.1497093 date de publication en ligne : 22/10/2018 En ligne : https://doi.org/10.1080/10106049.2018.1497093 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94114 [article]

Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laâyoune-Tarfaya basin of Morocco / Ali Aydda in Geocarto international, vol 34 n° 13 ([15/10/2019])  

Public [article]  inGeocarto international > vol 34 n° 13 [15/10/2019] . - pp 1514 - 1529 Titre : Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laâyoune-Tarfaya basin of Morocco Type de document : Article/Communication Auteurs : Ali Aydda, Auteur ; Omar F. Althuwaynee, Auteur ; Ahmed Algouti, Auteur ; Abdellah Algouti, Auteur Année de publication : 2019 Article en page(s) : pp 1514 - 1529 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] carte géomorphologique [Termes descripteurs IGN] classification barycentrique [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par maximum de vraisemblance [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] dune [Termes descripteurs IGN] image Landsat [Termes descripteurs IGN] image multitemporelle [Termes descripteurs IGN] littoral [Termes descripteurs IGN] Maroc [Termes descripteurs IGN] sable [Termes descripteurs IGN] vent de sable Résumé : (auteur) Numéro de notice : A2019-511 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2018.1493154 date de publication en ligne : 07/09/2018 En ligne : https://doi.org/10.1080/10106049.2018.1493154 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93820 [article]

Accurate detection of built-up areas from high-resolution remote sensing imagery using a fully convolutional network / Yihua Tan in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 10 (October 2019)  

Permalink

A CNN-based subpixel level DSM generation approach via single image super-resolution / Yongjun Zhang in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 10 (October 2019)  

Permalink

A machine learning approach to detect crude oil contamination in a real scenario using hyperspectral remote sensing / Ran Pelta in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)  

Permalink

Mapping dead forest cover using a deep convolutional neural network and digital aerial photography / Jean-Daniel Sylvain in ISPRS Journal of photogrammetry and remote sensing, vol 156 (October 2019)  

Permalink

Optimal segmentation of high spatial resolution images for the classification of buildings using random forests / James Bialas in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)  

Permalink

Scene context-driven vehicle detection in high-resolution aerial images / Chao Tao in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)  

Permalink

Using a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia / Neil Flood in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)  

Permalink

Enhanced 3D mapping with an RGB-D sensor via integration of depth measurements and image sequences / Bo Wu in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 9 (September 2019)  

Permalink

Implementing Moran eigenvector spatial filtering for massively large georeferenced datasets / Daniel A. Griffith in International journal of geographical information science IJGIS, vol 33 n° 9 (September 2019)  

Permalink

Learning and adapting robust features for satellite image segmentation on heterogeneous data sets / Sina Ghassemi in IEEE Transactions on geoscience and remote sensing, vol 57 n° 9 (September 2019)  

Permalink