Descripteur
Termes IGN > sciences naturelles > physique > traitement d'image > analyse d'image numérique > détection de changement
détection de changementVoir aussi |
Documents disponibles dans cette catégorie (416)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
From Google Maps to a fine-grained catalog of street trees / Steve Branson in ISPRS Journal of photogrammetry and remote sensing, vol 135 (January 2018)
[article]
Titre : From Google Maps to a fine-grained catalog of street trees Type de document : Article/Communication Auteurs : Steve Branson, Auteur ; Jan Dirk Wegner, Auteur ; David Hall, Auteur ; Nico Lang, Auteur ; Konrad Schindler, Auteur ; Pietro Perona, Auteur Année de publication : 2018 Article en page(s) : pp 13 - 30 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] arbre urbain
[Termes IGN] architecture pipeline (processeur)
[Termes IGN] classification dirigée
[Termes IGN] détection de changement
[Termes IGN] Google Maps
[Termes IGN] inventaire de la végétation
[Termes IGN] photo-interprétation assistée par ordinateur
[Termes IGN] réseau neuronal convolutif
[Termes IGN] villeRésumé : (Auteur) Up-to-date catalogs of the urban tree population are of importance for municipalities to monitor and improve quality of life in cities. Despite much research on automation of tree mapping, mainly relying on dedicated airborne LiDAR or hyperspectral campaigns, tree detection and species recognition is still mostly done manually in practice. We present a fully automated tree detection and species recognition pipeline that can process thousands of trees within a few hours using publicly available aerial and street view images of Google MapsTM. These data provide rich information from different viewpoints and at different scales from global tree shapes to bark textures. Our work-flow is built around a supervised classification that automatically learns the most discriminative features from thousands of trees and corresponding, publicly available tree inventory data. In addition, we introduce a change tracker that recognizes changes of individual trees at city-scale, which is essential to keep an urban tree inventory up-to-date. The system takes street-level images of the same tree location at two different times and classifies the type of change (e.g., tree has been removed). Drawing on recent advances in computer vision and machine learning, we apply convolutional neural networks (CNN) for all classification tasks. We propose the following pipeline: download all available panoramas and overhead images of an area of interest, detect trees per image and combine multi-view detections in a probabilistic framework, adding prior knowledge; recognize fine-grained species of detected trees. In a later, separate module, track trees over time, detect significant changes and classify the type of change. We believe this is the first work to exploit publicly available image data for city-scale street tree detection, species recognition and change tracking, exhaustively over several square kilometers, respectively many thousands of trees. Experiments in the city of Pasadena, California, USA show that we can detect >70% of the street trees, assign correct species to >80% for 40 different species, and correctly detect and classify changes in >90% of the cases. Numéro de notice : A2018-068 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.11.008 Date de publication en ligne : 20/11/2017 En ligne : https://doi.org/10.1016/j.isprsjprs.2017.11.008 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89426
in ISPRS Journal of photogrammetry and remote sensing > vol 135 (January 2018) . - pp 13 - 30[article]Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2018011 RAB Revue Centre de documentation En réserve L003 Disponible 081-2018012 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt 081-2018013 DEP-EXM Revue Saint-Mandé Dépôt en unité Exclu du prêt Modélisation spatio-temporelle multi-niveau à base d'ontologies pour le suivi de la dynamique en imagerie satellitaire / Fethi Ghazouani (2018)
Titre : Modélisation spatio-temporelle multi-niveau à base d'ontologies pour le suivi de la dynamique en imagerie satellitaire Type de document : Thèse/HDR Auteurs : Fethi Ghazouani, Auteur ; Basel Solaiman, Directeur de thèse ; Imed Riadh Farah, Directeur de thèse Editeur : Institut Mines-Télécom Atlantique IMT Atlantique Année de publication : 2018 Autre Editeur : Université Bretagne Loire Importance : 245 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Ecole Nationale des Mines-Télécom Atlantique, Spécialité : Signal, Image, VisionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] analyse des risques
[Termes IGN] découverte de connaissances
[Termes IGN] détection de changement
[Termes IGN] dynamique spatiale
[Termes IGN] image satellite
[Termes IGN] modélisation spatio-temporelle
[Termes IGN] occupation du sol
[Termes IGN] ontologie
[Termes IGN] photo-interprétation
[Termes IGN] raisonnement spatiotemporel
[Termes IGN] représentation du changement
[Termes IGN] segmentation sémantique
[Termes IGN] utilisation du solIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La modélisation de la dynamique des objets spatio-temporels fait partie des sujets de recherche pour le suivi et l’interprétation des changements affectant le globe terrestre. Pour cela, l’exploitation des images satellitaires se présente comme un moyen efficace qui aide à l’étude la dynamique des phénomènes spatio-temporels qui peuvent se produire sur la surface de la Terre notamment l’urbanisation, la déforestation, l’inondation, la désertification, etc. Ces données fournissent des informations multi-spectrales, multi-capteurs, multi-temporelles et multi-résolutions permettant une bonne classification de la couverture du sol. La modélisation et l’interprétation de la dynamique de changement de ces données permettent l’extraction des connaissances importantes qui seront utilisées pour l’aménagement territoire et comme un support pour promouvoir la bonne gestion de l’occupation/l’utilisation des sols et pour souligner des politiques de prise de décisions pour protéger la surface de la Terre contre divers risques et catastrophes naturelles. Divers modèles et approches ont été proposés pour modéliser les évolutions des objets spatio-temporels. Toutes fois, chaque modèle présente une capacité limitée pour capturer l’évolution des différentes caractéristiques de l’environnement, en plus la structure de représentation utilisée par chaque modèle ne permet pas de saisir complètement la sémantique de l’évolution d’un objet spatio-temporel. C’est dans ce cadre que se situent les travaux de notre thèse qui s’intéresse à la modélisation de la dynamique des objets spatio-temporels pour l’interprétation des changements en imagerie satellitaire. Ainsi, deux principaux défis sont à lever dans cette thèse : le premier concerne la modélisation de la dynamique des objets et des phénomènes spatio-temporels. Cela revient à trouver le modèle adéquat permettant de représenter les différents concepts. Le deuxième défi concerne l’interprétation sémantique d’images satellites pour l’interprétation des changements en imagerie satellitaire. Cela pose les questions suivantes : comment extraire les connaissances d’une scène d’images ? Et quelle est la meilleure stratégie à suivre pour interpréter les changements ? Dans ce travail, nous proposons une architecture ontologiques multi-niveaux pour la représentation et la modélisation des objets et des processus spatio-temporels dynamiques. L’approche proposée consiste à utiliser différents niveaux d’ontologies : une ontologie de domaine de télédétection permettant de représenter les concepts du domaine et leurs relations, une ontologie de processus modélisant les phénomènes dynamiques et une ontologie de haut niveau utilisée pour distinguer les concepts statiques et dynamiques. Nous proposons également, une nouvelle stratégie d’interprétation sémantiques de scènes d’images satellites pour l’interprétation de changements. L’approche proposée permet la description sémantique du contenu de scènes d’images à travers un mécanisme de raisonnement inférentiel tout en se guidant par les connaissances a priori et contextuelles formulées dans l’ontologie. Une spécificité de cette approche est qu’elle permet l’extraction des connaissances dans différents niveaux d’abstraction de l’image, c’est-àdire, à partir du niveau perceptuel (niveau bas) de l’image jusqu’au niveau sémantique plus élevé (niveau de changement). Le cadre applicatif concerne l’interprétation sémantique d’une scène d’images satellites pour l’interprétation des phénomènes de changements, tels que l’urbanisation et la déforestation. Le résultat obtenu est une carte de changements qui pourra guider une meilleure gestion de l’utilisation/couverture des sols. Note de contenu : Introduction générale
I- Etat de l'art
1- Détection et suivi de changements des objets spatio-temporels en imagerie satellitaire
2- Modélisation de la dynamique des objets
spatio-temporels
II- Contributions
3- Modélisation de la dynamique spatio-temporelle à base des ontologies en imagerie satellitaire
4- Une nouvelle stratégie pour l’interprétation Sémantique de changements en imagerie satellitaire
5- Expérimentation et évaluation de la méthodologie proposée
Conclusion Générale et PerspectivesNuméro de notice : 25950 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Signal, Image, Vision : Rennes : 2018 nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2018IMTA0122 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96317 Use of satellite image classifications to update and enhance a land cover database / Mohamed Touiti (2018)
Titre : Use of satellite image classifications to update and enhance a land cover database Type de document : Mémoire Auteurs : Mohamed Touiti, Auteur ; Arnaud Le Bris , Encadrant Editeur : Tunis [Tunisie] : Ecole nationale d'ingénieurs de Carthage Année de publication : 2018 Importance : 90 p. Note générale : bibliographie
End of study project report, Software Engineering Training, Cycle Major : Information SystemsLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification dirigée
[Termes IGN] classification non dirigée
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] fusion d'images
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] OpenCV
[Termes IGN] Python (langage de programmation)Résumé : (auteur) L’équipe MATIS du Laboratoire LaSTIG de l’Institut National de l’Information Géo graphique et Forestière (IGN) mène depuis plusieurs années des activités de recherches dans le domaine de la classification de données de télédétection pour l’occupation des sols (OCS), en zones urbaines et rurales. Avec l’arrivée des nouveaux capteurs Sentinel S1 (radar) et Sentinel S2 (optique), des séries temporelles d’images sont désormais disponibles gratuitement avec une forte résolution temporelle (entre 10 et 15 jours) et une forte résolution spectrale pour les images optiques. Par ailleurs, le territoire français fait également l’objet d’une couverture annuelle par des images à très haute résolution spatiale des satellites SPOT 6/7. Dans l’objectif de couvrir l’ensemble du territoire français par la cartographie de la couverture du sol à travers la classification sémantique des images de télédétection, ce stage a pour objectif de contribuer au processus de mise à jour des bases de données de couverture du sol et de fournir un outil fiable pour détecter les changements entre la base de données d’occupation du sol et les classifications d’images SPOT6 et Sentinel-2. Dans cette étude, nous avons implémenté et testé deux approches différentes pour la détection des changements, en utilisant la fusion et la régularisation des classifications individuelles des images satellites Sentinel-2 et SPOT-6. La fusion d’images multispectrales à très haute résolution spatiale avec des séries temporelles d’images à faible résolution spatiale avec un nombre élevé de bandes pourrait améliorer la classification de la couverture terrestre, en combinant les avantages géométriques et sémantiques des deux sources. La première approche est une approche non supervisée sur laquelle nous avons appliqué une classification non supervisée et une régularisation afin de lisser le bruit et de nous donner des résultats plus attrayants visuellement. Cela pourrait aussi donner une classification binaire (classe / pas de classe) alors nous nous sommes concentrés sur la classe "bâtiments", c’est la classe la plus fréquemment changée. Ainsi, nous avons obtenu une classification binaire des bâtiments/non-bâtiments considérés comme nos résultats et avons atteint une exhaustivité de 75% avec une exactitude proche de 70%, mais il existe une certaine confusion dans les zones surpeuplées. La seconde approche consiste en une approche supervisée dans laquelle nous avons utilisé un réseau de neurones convolutif pour détecter les changements. Ainsi, nous avons obtenu des résultats bien meilleurs, avec une précision de 94,95%, même si des améliorations de l’architecture pourraient être nécessaires pour obtenir des résultats satisfaisants. Note de contenu : General introduction
1- The general context
2- State of the art
3- Study areas ad data
4- Change detection
5- CNN for change detection
General conclusionNuméro de notice : 17320 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire ingénieur Organisme de stage : LaSTIG (IGN) DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98343 Documents numériques
peut être téléchargé
Use of satellite image classifications ... - pdf auteurAdobe Acrobat PDF Discriminative feature learning for unsupervised change detection in heterogeneous images based on a coupled neural network / Wei Zhao in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)
[article]
Titre : Discriminative feature learning for unsupervised change detection in heterogeneous images based on a coupled neural network Type de document : Article/Communication Auteurs : Wei Zhao, Auteur ; Zhirui Wang, Auteur ; Maoguo Gong, Auteur ; Jia Liu, Auteur Année de publication : 2017 Article en page(s) : pp 7066 - 7080 Note générale : Bibliograpie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse discriminante
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal
[Termes IGN] détection de changementRésumé : (Auteur) With the application requirement, the technique for change detection based on heterogeneous remote sensing images is paid more attention. However, detecting changes between two heterogeneous images is challenging as they cannot be compared in low-dimensional space. In this paper, we construct an approximately symmetric deep neural network with two sides containing the same number of coupled layers to transform the two images into the same feature space. The two images are connected with the two sides and transformed into the same feature space, in which their features are more discriminative and the difference image can be generated by comparing paired features pixel by pixel. The network is first built by stacked restricted Boltzmann machines, and then, the parameters are updated in a special way based on clustering. The special way, motivated by that two heterogeneous images share the same reality in unchanged areas and retain respective properties in changed areas, shrinks the distance between paired features transformed from unchanged positions, and enlarges the distance between paired features extracted from changed positions. It is achieved through introducing two types of labels and updating parameters by adaptively changed learning rate. This is different from the existing methods based on deep learning that just do operations on positions predicted to be unchanged and extract only one type of labels. The whole process is completely unsupervised without any priori knowledge. Besides, the method can also be applied to homogeneous images. We test our method on heterogeneous images and homogeneous images. The proposed method achieves quite high accuracy. Numéro de notice : A2017-768 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2017.2739800 En ligne : https://doi.org/10.1109/TGRS.2017.2739800 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=88807
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 12 (December 2017) . - pp 7066 - 7080[article]Thorough statistical comparison of machine learning regression models and their ensembles for sub-pixel imperviousness and imperviousness change mapping / Wojciech Drzewiecki in Geodesy and cartography, vol 66 n° 2 (December 2017)
[article]
Titre : Thorough statistical comparison of machine learning regression models and their ensembles for sub-pixel imperviousness and imperviousness change mapping Type de document : Article/Communication Auteurs : Wojciech Drzewiecki, Auteur Année de publication : 2017 Article en page(s) : pp 171 - 210 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse diachronique
[Termes IGN] apprentissage automatique
[Termes IGN] bassin hydrographique
[Termes IGN] classification pixellaire
[Termes IGN] détection de changement
[Termes IGN] image Landsat
[Termes IGN] modèle de régression
[Termes IGN] Pologne
[Termes IGN] surface imperméableRésumé : (auteur) We evaluated the performance of nine machine learning regression algorithms and their ensembles for sub-pixel estimation of impervious areas coverages from Landsat imagery. The accuracy of imperviousness mapping in individual time points was assessed based on RMSE, MAE and R2. These measures were also used for the assessment of imperviousness change intensity estimations. The applicability for detection of relevant changes in impervious areas coverages at sub-pixel level was evaluated using overall accuracy, F-measure and ROC Area Under Curve. The results proved that Cubist algorithm may be advised for Landsat-based mapping of imperviousness for single dates. Stochastic gradient boosting of regression trees (GBM) may be also considered for this purpose. However, Random Forest algorithm is endorsed for both imperviousness change detection and mapping of its intensity. In all applications the heterogeneous model ensembles performed at least as well as the best individual models or better. They may be recommended for improving the quality of sub-pixel imperviousness and imperviousness change mapping. The study revealed also limitations of the investigated methodology for detection of subtle changes of imperviousness inside the pixel. None of the tested approaches was able to reliably classify changed and non-changed pixels if the relevant change threshold was set as one or three percent. Also for fi ve percent change threshold most of algorithms did not ensure that the accuracy of change map is higher than the accuracy of random classifi er. For the threshold of relevant change set as ten percent all approaches performed satisfactory. Numéro de notice : A2017-787 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1515/geocart-2017-0012 En ligne : https://doi.org/10.1515/geocart-2017-0012 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89099
in Geodesy and cartography > vol 66 n° 2 (December 2017) . - pp 171 - 210[article]Occupancy modelling for moving object detection from Lidar point clouds: A comparative study / Wen Xiao in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-2/W4 (September 2017)PermalinkForest change detection in incomplete satellite images with deep neural networks / Salman H. Khan in IEEE Transactions on geoscience and remote sensing, vol 55 n° 9 (September 2017)PermalinkChange detection using Landsat time series: A review of frequencies, preprocessing, algorithms, and applications / Zhe Zhu in ISPRS Journal of photogrammetry and remote sensing, vol 130 (August 2017)PermalinkReducing classification error of grassland overgrowth by combing low-density lidar acquisitions and optical remote sensing data / Timo P Pitkänen in ISPRS Journal of photogrammetry and remote sensing, vol 130 (August 2017)PermalinkFusion of Landsat 8 OLI and sentinel-2 MSI data / Qunming Wang in IEEE Transactions on geoscience and remote sensing, vol 55 n° 7 (July 2017)PermalinkChange detection in forests and savannas using statistical analysis based on geographical objects / Lucilia Rezende Leite in Boletim de Ciências Geodésicas, vol 23 n° 2 (abr - jun 2017)PermalinkChange detection of linear features in temporally spaced remotely sensed images using edge-based grid analysis / Arati Paul in Geocarto international, vol 32 n° 6 (June 2017)PermalinkMonitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms / Lien T.H. Pham in ISPRS Journal of photogrammetry and remote sensing, vol 128 (June 2017)PermalinkA review of the use of terrestrial laser scanning application for change detection and deformation monitoring of structures / Wallace Mukupa in Survey review, vol 49 n° 353 (June 2017)PermalinkA time-series approach to estimating soil moisture from vegetated surfaces using L-band radar backscatter / Jeffrey D. Ouellette in IEEE Transactions on geoscience and remote sensing, vol 55 n° 6 (June 2017)Permalink