Centre dedocumentation
scientifique

Deep image translation with an affinity-based change prior for unsupervised multimodal change detection / Luigi Tommaso Luppino in IEEE Transactions on geoscience and remote sensing, vol 60 n° 1 (January 2022)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 60 n° 1 (January 2022) . - n° 4700422 Titre : Deep image translation with an affinity-based change prior for unsupervised multimodal change detection Type de document : Article/Communication Auteurs : Luigi Tommaso Luppino, Auteur ; Michael Kampffmeyer, Auteur ; filipo Maria Bianchi, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 4700422 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse comparative [Termes IGN] architecture de réseau [Termes IGN] classification non dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection de changement [Termes IGN] extraction de traits caractéristiques [Termes IGN] réseau antagoniste génératif Résumé : (auteur) Image translation with convolutional neural networks has recently been used as an approach to multimodal change detection. Existing approaches train the networks by exploiting supervised information of the change areas, which, however, is not always available. A main challenge in the unsupervised problem setting is to avoid that change pixels affect the learning of the translation function. We propose two new network architectures trained with loss functions weighted by priors that reduce the impact of change pixels on the learning objective. The change prior is derived in an unsupervised fashion from relational pixel information captured by domain-specific affinity matrices. Specifically, we use the vertex degrees associated with an absolute affinity difference matrix and demonstrate their utility in combination with cycle consistency and adversarial training. The proposed neural networks are compared with the state-of-the-art algorithms. Experiments conducted on three real data sets show the effectiveness of our methodology. Numéro de notice : A2022-027 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2021.3056196 Date de publication en ligne : 17/02/2021 En ligne : https://doi.org/10.1109/TGRS.2021.3056196 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99263 [article]

Effective triplet mining improves training of multi-scale pooled CNN for image retrieval / Federico Vaccaro in Machine Vision and Applications, vol 33 n° 1 (January 2022)  

Public [article]  inMachine Vision and Applications > vol 33 n° 1 (January 2022) . - n° 16 Titre : Effective triplet mining improves training of multi-scale pooled CNN for image retrieval Type de document : Article/Communication Auteurs : Federico Vaccaro, Auteur ; Marco Bertini, Auteur ; Tiberio Uricchio, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 16 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] agrégation [Termes IGN] analyse visuelle [Termes IGN] architecture de réseau [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] exploration de données [Termes IGN] extraction de traits caractéristiques [Termes IGN] recherche d'image basée sur le contenu [Termes IGN] réseau neuronal siamois [Termes IGN] triplet Résumé : (auteur) In this paper, we address the problem of content-based image retrieval (CBIR) by learning images representations based on the activations of a Convolutional Neural Network. We propose an end-to-end trainable network architecture that exploits a novel multi-scale local pooling based on the trainable aggregation layer NetVLAD (Arandjelovic et al in Proceedings of the IEEE conference on computer vision and pattern recognition CVPR, NetVLAD, 2016) and bags of local features obtained by splitting the activations, allowing to reduce the dimensionality of the descriptor and to increase the performance of retrieval. Training is performed using an improved triplet mining procedure that selects samples based on their difficulty to obtain an effective image representation, reducing the risk of overfitting and loss of generalization. Extensive experiments show that our approach, that can be effectively used with different CNN architectures, obtains state-of-the-art results on standard and challenging CBIR datasets. Numéro de notice : A2022-237 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s00138-021-01260-z Date de publication en ligne : 06/01/2022 En ligne : https://doi.org/10.1007/s00138-021-01260-z Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100153 [article]

Efficient image dataset classification difficulty estimation for predicting deep-learning accuracy / Florian Scheidegger in The Visual Computer, vol 37 n° 6 (June 2021)  

Public [article]  inThe Visual Computer > vol 37 n° 6 (June 2021) . - pp 1593 - 1610 Titre : Efficient image dataset classification difficulty estimation for predicting deep-learning accuracy Type de document : Article/Communication Auteurs : Florian Scheidegger, Auteur ; Roxana Istrate, Auteur ; Giovanni Mariani, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 1593 - 1610 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] architecture de réseau [Termes IGN] classification par nuées dynamiques [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] distance de Fréchet [Termes IGN] extraction de traits caractéristiques [Termes IGN] jeu de données [Termes IGN] précision de la classification [Termes IGN] processeur graphique Résumé : (auteur) In the deep-learning community, new algorithms are published at a very fast pace. Therefore, solving an image classification problem for new datasets becomes a challenging task, as it requires to re-evaluate published algorithms and their different configurations in order to find a close to optimal classifier. To facilitate this process, before biasing our decision toward a class of neural networks or running an expensive search over the network space, we propose to estimate the classification difficulty of the dataset. Our method computes a single number that characterizes the dataset difficulty 97× faster than training state-of-the-art networks. The proposed method can be used in combination with network topology and hyper-parameter search optimizers to efficiently drive the search toward promising neural network configurations. Numéro de notice : A2021-533 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s00371-020-01922-5 Date de publication en ligne : 28/07/2020 En ligne : https://doi.org/10.1007/s00371-020-01922-5 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97993 [article]

Qu'est-ce que la cartographie du Web ? / Franck Ghitalla (2021)  

Public Titre : Qu'est-ce que la cartographie du Web ? Type de document : Monographie Auteurs : Franck Ghitalla, Éditeur scientifique ; Dominique Boullier, Éditeur scientifique ; Mathieu Jacomy, Éditeur scientifique Editeur : Marseille : OpenEdition Press Année de publication : 2021 Importance : 288 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 979-10-365-6263-1 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Société de l'information [Termes IGN] agrégat [Termes IGN] analyse visuelle [Termes IGN] architecture de réseau [Termes IGN] cartographie numérique [Termes IGN] données massives [Termes IGN] données numériques [Termes IGN] graphe relationnel [Termes IGN] représentation cartographique [Termes IGN] ressources web [Termes IGN] sémiologie graphique [Termes IGN] site web [Termes IGN] toile d'araignée mondiale Résumé : (éditeur) Les web studies et les network sciences ont déjà une histoire, et, en France, cette histoire fut profondément marquée par la contribution de Franck Ghitalla. Cet ouvrage posthume était en fait déjà prêt à être publié au moment du décès brutal de son auteur en décembre 2018. Ses chroniques du Web et ses carnets cartographiques, ici regroupés, ont, en effet, une vocation pédagogique certaine. Cet ouvrage est ainsi idéal pour une initiation, car il permettra à chacun de s’approprier les concepts et les méthodes que Franck Ghitalla a éminemment contribué à développer en France. L’histoire de la construction de ces approches en réseau qu’il retrace dans la première partie permet comprendre que la tâche requiert de multiples expertises : la rigueur des calculs doit être alliée à la fiabilité des sources et des données ainsi qu’à la sensibilité sémiotique de la visualisation pour rendre robuste une interprétation toujours ancrée dans les sciences sociales. Chaque chapitre s’appuie sur des exemples d’analyse de réseaux très précis, dans des domaines très divers, et les concepts sont progressivement distillés, ainsi que les tours de main, que Franck Ghitalla, brillant artisan des données numériques, avait à cœur de partager avec tous. Note de contenu : 1- Voir le Web 2- Questions de distances 3- Hiérarchies 4- Agrégats 5- Méthode et instruments 6- Des data ciselées 7- Le Web Datarium 8- Broadcast ou viralité ? 9- L’information, en n dimensions 10- La prochaine étape : la multidimensionnalité 11- Une première plongée dans le réseau Tor 12- Archéologie des connaissances 13- Révélations 14- La cartographie d’information ou l’alchimie quali-quantitative 15- Cartographier la science 16- Les écosystèmes d’innovation Numéro de notice : 28320 Affiliation des auteurs : non IGN Thématique : SOCIETE NUMERIQUE Nature : Recueil / ouvrage collectif DOI : 10.4000/books.oep.15358 En ligne : https://books.openedition.org/oep/15358 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98258

A novel deep network and aggregation model for saliency detection / Ye Liang in The Visual Computer, vol 36 n° 9 (September 2020)  

Public [article]  inThe Visual Computer > vol 36 n° 9 (September 2020) . - pp 1883 - 1895 Titre : A novel deep network and aggregation model for saliency detection Type de document : Article/Communication Auteurs : Ye Liang, Auteur ; Hongzhe Liu, Auteur ; Nan Ma, Auteur Année de publication : 2020 Article en page(s) : pp 1883 - 1895 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] apprentissage profond [Termes IGN] architecture de réseau [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] déconvolution [Termes IGN] extraction de traits caractéristiques [Termes IGN] saillance Résumé : (auteur) Recent deep learning-based methods for saliency detection have proved the effectiveness of integrating features with different scales. They usually design various complex architectures of network, e.g., multiple networks, to explore the multi-scale information of images, which is expensive in computation and memory. Feature maps produced with different subsampling convolutional layers have different spatial resolutions; therefore, they can be used as the multi-scale features to reduce the costs. In this paper, by exploiting the in-network feature hierarchy of convolutional networks, we propose a novel multi-scale network for saliency detection (MSNSD) consisting of three modules, i.e., bottom-up feature extraction, top-down feature connection and multi-scale saliency prediction. Moreover, to further boost the performance of MSNSD, an input image-aware saliency aggregation method is proposed based on the ridge regression, which combines MSNSD with some well-performed handcrafted shallow models. Extensive experiments on several benchmarks show that the proposed MSNSD outperforms the state-of-the-art saliency methods with less computational and memory complexity. Meanwhile, our aggregation method for saliency detection is effective and efficient to combine deep and shallow models and make them complementary to each other. Numéro de notice : A2020-601 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s00371-019-01781-9 Date de publication en ligne : 09/12/2019 En ligne : https://doi.org/10.1007/s00371-019-01781-9 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95952 [article]

Creating a web mapping portal to manage Malta’s underwater cultural heritage / Mélissa Dupuis (2020) 

Permalink

Recherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois / Margarita Khokhlova (2020)    

Permalink

Géomatique webmapping en open source / David Collado (2019)

Permalink

Simultaneous extraction of roads and buildings in remote sensing imagery with convolutional neural networks / Rasha Alshehhi in ISPRS Journal of photogrammetry and remote sensing, vol 130 (August 2017)  

Permalink

Etude et méthodes d'intégration et d'interaction de données 3D complexes type "nuages de points" vers un web SIG / Victor Lambert (2017) 

Permalink

Réseaux de neurones convolutifs pour la segmentation sémantique et l'apprentissage d'invariants de couleur / Damien Fourure (2017)  

Permalink

Quand le Cloud favorise de nouveaux modes de commercialisation / Françoise de Blomac in DécryptaGéo le mag, n° 163 (janvier 2015)

Permalink

Programmation avec Node.js, Express.js et MongoDB / Eric Sarrion (2014)

Permalink

Windows 8.1 et office 2013 / Olivier Bat (2014)

Permalink

Création de l'application "envirONS" pour l'étude des quartiers d'Ottawa / Thibault Fontmarty (2013) 

Permalink