Centre dedocumentation
scientifique

Edge-reinforced convolutional neural network for road detection in very-high-resolution remote sensing imagery / Xiaoyan Lu in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 3 (March 2020)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 3 (March 2020) . - pp 153 - 160 Titre : Edge-reinforced convolutional neural network for road detection in very-high-resolution remote sensing imagery Type de document : Article/Communication Auteurs : Xiaoyan Lu, Auteur ; Yanfei Zhong, Auteur ; Zhuo Zheng, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 153 - 160 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] accentuation de contours [Termes descripteurs IGN] analyse multiéchelle [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] extraction du réseau routier [Termes descripteurs IGN] filtrage du bruit [Termes descripteurs IGN] image à très haute résolution [Termes descripteurs IGN] ombre [Termes descripteurs IGN] segmentation d'image Résumé : (auteur) Road detection in very-high-resolution remote sensing imagery is a hot research topic. However, the high resolution results in highly complex data distributions, which lead to much noise for road detection—for example, shadows and occlusions caused by disturbance on the roadside make it difficult to accurately recognize road. In this article, a novel edge-reinforced convolutional neural network, combined with multiscale feature extraction and edge reinforcement, is proposed to alleviate this problem. First, multiscale feature extraction is used in the center part of the proposed network to extract multiscale context information. Then edge reinforcement, applying a simplified U-Net to learn additional edge information, is used to restore the road information. The two operations can be used with different convolutional neural networks. Finally, two public road data sets are adopted to verify the effectiveness of the proposed approach, with experimental results demonstrating its superiority. Numéro de notice : A2020-145 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.3.153 date de publication en ligne : 01/03/2020 En ligne : https://doi.org/10.14358/PERS.86.3.153 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94774 [article]

Sentinel-2 sharpening using a reduced-rank method / Magnus Orn Ulfarsson in IEEE Transactions on geoscience and remote sensing, vol 57 n° 9 (September 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 57 n° 9 (September 2019) . - pp 6408 - 6420 Titre : Sentinel-2 sharpening using a reduced-rank method Type de document : Article/Communication Auteurs : Magnus Orn Ulfarsson, Auteur ; Frosti Palsson, Auteur ; Mauro Dalla Mura, Auteur ; Johannes R. Sveinsson, Auteur Année de publication : 2019 Article en page(s) : pp 6408 - 6420 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] affinage d'image [Termes descripteurs IGN] ajustement de paramètres [Termes descripteurs IGN] estimation bayesienne [Termes descripteurs IGN] fusion de données [Termes descripteurs IGN] image à haute résolution [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] largeur de bande Résumé : (auteur) Recently, the Sentinel-2 (S2) satellite constellation was deployed for mapping and monitoring the Earth environment. Images acquired by the sensors mounted on the S2 platforms have three levels of spatial resolution: 10, 20, and 60 m. In many remote sensing applications, the availability of images at the highest spatial resolution (i.e., 10 m for S2) is often desirable. This can be achieved by generating a synthetic high-resolution image through data fusion. To this end, researchers have proposed techniques exploiting the spectral/spatial correlation inherent in multispectral data to sharpen the lower resolution S2 bands to 10 m. In this paper, we propose a novel method that formulates the sharpening process as a solution to an inverse problem. We develop a cyclic descent algorithm called S2Sharp and an associated tuning parameter selection algorithm based on generalized cross validation and Bayesian optimization. The tuning parameter selection method is evaluated on a simulated data set. The effectiveness of S2Sharp is assessed experimentally by comparisons to state-of-the-art methods using both simulated and real data sets. Numéro de notice : A2019-340 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2906048 date de publication en ligne : 22/04/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2906048 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93377 [article]

Conditional random field and deep feature learning for hyperspectral image classification / Fahim Irfan Alam in IEEE Transactions on geoscience and remote sensing, vol 57 n° 3 (March 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 57 n° 3 (March 2019) . - pp 1612 - 1628 Titre : Conditional random field and deep feature learning for hyperspectral image classification Type de document : Article/Communication Auteurs : Fahim Irfan Alam, Auteur ; Jun Zhou, Auteur ; Alan Wee-Chung Liew, Auteur ; Xiuping Jia, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 1612 - 1628 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse multibande [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] déconvolution [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] voxel Résumé : (Auteur) Image classification is considered to be one of the critical tasks in hyperspectral remote sensing image processing. Recently, a convolutional neural network (CNN) has established itself as a powerful model in classification by demonstrating excellent performances. The use of a graphical model such as a conditional random field (CRF) contributes further in capturing contextual information and thus improving the classification performance. In this paper, we propose a method to classify hyperspectral images by considering both spectral and spatial information via a combined framework consisting of CNN and CRF. We use multiple spectral band groups to learn deep features using CNN, and then formulate deep CRF with CNN-based unary and pairwise potential functions to effectively extract the semantic correlations between patches consisting of 3-D data cubes. Furthermore, we introduce a deep deconvolution network that improves the final classification performance. We also introduced a new data set and experimented our proposed method on it along with several widely adopted benchmark data sets to evaluate the effectiveness of our method. By comparing our results with those from several state-of-the-art models, we show the promising potential of our method. Numéro de notice : A2019-131 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2018.2867679 date de publication en ligne : 20/09/2018 En ligne : https://doi.org/10.1109/TGRS.2018.2867679 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92461 [article]

Robust vehicle detection in aerial images using bag-of-words and orientation aware scanning / Hailing Zhou in IEEE Transactions on geoscience and remote sensing, vol 56 n° 12 (December 2018)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 56 n° 12 (December 2018) . - pp 7074 - 7085 Titre : Robust vehicle detection in aerial images using bag-of-words and orientation aware scanning Type de document : Article/Communication Auteurs : Hailing Zhou, Auteur ; Lei Wei, Auteur ; Chee Peng Lim, Auteur ; et al., Auteur Année de publication : 2018 Article en page(s) : pp 7074 - 7085 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] accentuation d'image [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image de drone [Termes descripteurs IGN] méthode robuste [Termes descripteurs IGN] modèle sac-de-mots [Termes descripteurs IGN] objet mobile [Termes descripteurs IGN] PMVS [Termes descripteurs IGN] SIFT (algorithme) [Termes descripteurs IGN] transformation de Radon [Termes descripteurs IGN] véhicule Résumé : (auteur) This paper presents a novel approach to automatically detect and count cars in different aerial images, which can be satellite or unmanned aerial vehicle (UAV) images. Variations in satellite and/or UAV data make it particularly challenging to have a robust method that works properly on a variety of images. A solution based on the bag-of-words (BoW) model is explored in this paper due to its invariance characteristic and highly stable performance in object/scene categorization. Different from categorization tasks, vehicle detection needs to localize the positions of cars in images. To make BoW suitable for this purpose, we extensively improve the methodology in three aspects, namely, by introducing a recently proposed feature representation, i.e., the local steering kernel descriptor, adding spatial structure constraints, and developing an orientation aware scanning mechanism to produce detection with “one-window-one-car” results. Experiments are conducted on various aerial images with large variations, which consist of data from two public databases, e.g., the Overhead Imagery Research Data Set and Vehicle Detection in Aerial Imagery, as well as other satellite and UAV images. The results demonstrate the effectiveness and robustness of the proposed method. Compared with existing techniques, the proposed method is applicable to a wider range of aerial images. Numéro de notice : A2018-555 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2018.2848243 date de publication en ligne : 17/07/2018 En ligne : http://dx.doi.org/10.1109/TGRS.2018.2848243 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91654 [article]

Détection de changement par imagerie radar sur les zones naturelles et agricoles en milieu tropical / Jérôme Lebreton (2018) 

Public Titre : Détection de changement par imagerie radar sur les zones naturelles et agricoles en milieu tropical Type de document : Mémoire Auteurs : Jérôme Lebreton, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2018 Importance : 45 p. Format : 21 x 30 cm Note générale : bibliographie rapport de stage de fin d'études, Cycle géomètre-géomaticien Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] composition colorée [Termes descripteurs IGN] comptage [Termes descripteurs IGN] correction d'image [Termes descripteurs IGN] déboisement [Termes descripteurs IGN] détection de changement [Termes descripteurs IGN] extraction de la végétation [Termes descripteurs IGN] Gabon [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] image de drone [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] image SPOT [Termes descripteurs IGN] image TerraSAR-X [Termes descripteurs IGN] milieu tropical [Termes descripteurs IGN] palmier [Termes descripteurs IGN] polarisation [Termes descripteurs IGN] rendement agricole [Termes descripteurs IGN] surveillance agricole [Termes descripteurs IGN] télédétection en hyperfréquence Index. décimale : GEOM Mémoires de géomètres civils Résumé : (auteur) Dans le cadre du Challenge Numérique « Suivi des plantations dans les pays en développements» piloté par Booster Nova, L’Avion Jaune porte un projet nommé « Palmap » pour le groupe Olam International. Ce projet comprend un volet de développement de solutions permettant le suivi de la culture de palmiers à huile et un volet sur le suivi des mesures compensatoires de préservation de l’environnement naturel autour des plantations en utilisant des données vues du ciel (drones) combinées avec des données collectées sur le terrain et des données satellites. Olam International est une société singapourienne de négoce en produits agroalimentaires, qui gère des plantations (cacao, caoutchouc, huile de palme, amandes, noix de cajou, …) dans plusieurs pays. L’huile de palme est la plus consommée au monde et est considérée comme la source principale d’huile parmi les autres végétaux. Le Gabon s’est ainsi lancé dans cette production dû à un besoin essentiel de développer son agriculture afin de diversifier son économie. La production d’huile de palme est destinée principalement au marché local et à la sous région. Note de contenu : 1- Présentation 2- Contexte 3- Images radar 4- Analyse des données radar Numéro de notice : 21941 Thématique : IMAGERIE Nature : Mémoire de fin d'études G Organisme de stage : L’Avion Jaune Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91741

Documents numériques

peut être téléchargé Détection de changement par imagerie... - pdf auteur Adobe Acrobat PDF

Object-based superresolution land-cover mapping from remotely sensed imagery / Yuehong Chen in IEEE Transactions on geoscience and remote sensing, vol 56 n° 1 (January 2018)  

Permalink

Unsupervised-restricted deconvolutional neural network for very high resolution remote-sensing image classification / Yiting Tao in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)  

Permalink

Sparse bayesian learning-based time-variant deconvolution / Sanyi Yuan in IEEE Transactions on geoscience and remote sensing, vol 55 n° 11 (November 2017)  

Permalink

Remote sensing scene classification by unsupervised representation learning / Xiaoqiang Lu in IEEE Transactions on geoscience and remote sensing, vol 55 n° 9 (September 2017)  

Permalink

Gold – A novel deconvolution algorithm with optimization for waveform LiDAR processing / Tan Zhou in ISPRS Journal of photogrammetry and remote sensing, vol 129 (July 2017)  

Permalink

Joint hyperspectral superresolution and unmixing with interactive feedback / Chen Yi in IEEE Transactions on geoscience and remote sensing, vol 55 n° 7 (July 2017)  

Permalink

Describing contrast across scales / Sohaib Ali Syed in ISPRS Journal of photogrammetry and remote sensing, vol 128 (June 2017)  

Permalink

Enhancement of low visibility aerial images using histogram truncation and an explicit Retinex representation for balancing contrast and color consistency / Changjiang Liu in ISPRS Journal of photogrammetry and remote sensing, vol 128 (June 2017)  

Permalink

Quality assessment methodologies of post-processed images / Lukas Krasula (2017)  

Permalink

Télédétection pour l'observation des surfaces continentales, ch. 6. Méthodes de traitement de données lidar / Clément Mallet (2017)

Permalink