Descripteur
Documents disponibles dans cette catégorie (163)
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
Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond / Camille Lhenry (2021)
Titre : Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond Type de document : Mémoire Auteurs : Camille Lhenry, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2021 Importance : 106 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] base de données dérivée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fenêtre (bâtiment)
[Termes IGN] image RVB
[Termes IGN] image thermique
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] Python (langage de programmation)
[Termes IGN] réseau neuronal de graphes
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Grâce au développement rapide des techniques d’acquisition 3D, les nuages de points sont de plus en plus utilisés dans divers domaines. Ils sont notamment la donnée de départ pour le développement de BIM (Building Information Modeling) de bâtiments existants, processus permettant le travail collaboratif des différents corps de métier. Néanmoins, le traitement de cette donnée est une étape majoritairement manuelle, longue et chronophage. Ce projet de fin d’études s’inscrit donc dans une problématique d’automatisation des traitements menant du nuage de points au BIM et se concentre sur la segmentation automatique des ouvertures des bâtiments. Cette problématique a été abordée par de multiples auteurs avec des méthodes algorithmiques ou d’apprentissage machine, qui nécessitent une certaine implication de l’utilisateur. Profitant de l’expansion du domaine de l’apprentissage profond, le réseau de neurones PointNet++ (Qi, Yi, Su & Guibas 2017) a été utilisé pour répondre à l’objectif de l’étude. Malgré les difficultés inhérentes à la nature des éléments à segmenter (transparence des matériaux, variabilité des styles architecturaux), la qualité de segmentation des ouvertures est prometteuse, notamment en couplant l’information thermique au nuage de points. Le défi majeur mis en évidence par l’étude est le manque de bases de données d’apprentissage, indispensables à l’utilisation de réseaux de neurones. Face à cet obstacle, une solution semi-automatique nécessitant la labellisation manuelle d’une portion limitée du bâtiment est présentée. Note de contenu : Introduction
1- Etat de l'art
2- Développement de la méthode
3- Résultats et discussions
Conclusions et perspectivesNuméro de notice : 28682 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Laboratoire ICUBE En ligne : http://eprints2.insa-strasbourg.fr/4492/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99976 Détection/reconnaissance d'objets urbains à partir de données 3D multicapteurs prises au niveau du sol, en continu / Younes Zegaoui (2021)
Titre : Détection/reconnaissance d'objets urbains à partir de données 3D multicapteurs prises au niveau du sol, en continu Type de document : Thèse/HDR Auteurs : Younes Zegaoui, Auteur ; Marc Chaumont, Directeur de thèse Editeur : Montpellier : Université de Montpellier Année de publication : 2021 Importance : 182 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour obtenir le grade de Docteur de l'Université de Montpellier, spécialité InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] classification dirigée
[Termes IGN] classification orientée objet
[Termes IGN] détection d'objet
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] mobilier urbain
[Termes IGN] objet géographique urbain
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] zone urbaine denseIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Le développement des dispositifs d'acquisition LiDAR mobiles terrestres, montés sur véhicule ou drone, rendent possible la numérisation de villes entières sous la forme de nuages de points tridimensionnels géo-référencés. L'exploitation de ces données par les gestionnaires de ville permettent le recensement ainsi que le suivi au cours du temps des objets urbains qu'ils soient fixes (lampadaires, abribus…), mobiles (containers de poubelle) ou naturels (arbres) afin de pouvoir intervenir en cas de disparition, déplacement, détérioration ou de danger potentiel. Cette approche nécessite d'être en mesure de traiter des grands nuages pouvant compter plusieurs centaines de millions de points et réunir des milliers d'objets. Il devient donc nécessaire d'automatiser les traitements appliqués aux nuages de points afin de pouvoir extraire et classer automatiquement les éléments qui correspondent à des objets urbains. La diversité ainsi que le grand nombre d'objets urbains présents dans les villes sont un réel défi pour le développement d'approches automatisées. Dans cette thèse, nous explorons la piste récente de l'apprentissage profond appliqué aux données non structurées pour réaliser la localisation et la reconnaissance automatique d'objets urbains dans un nuage de points 3D. En s'inspirant des avancées récentes permises par le réseau PointNet, nous proposons de réaliser un apprentissage supervisé directement à partir des nuages de points sans passer par des transformations intermédiaires. Nous avons ainsi développé une architecture neuronale 3D que nous avons basée sur une couche originale permettant simultanément de regrouper des points et d'en extraire des caractéristiques. A partir de cette architecture, nous présentons les résultats que nous avons obtenues sur la tâche de détection d'objets urbains dans des nuages de points LiDAR obtenus dans des rues de grandes villes. Note de contenu : 1- Introduction
2- Etat de l’art
3- Architecture par clustering
4- Application à la détection d’objets en milieu urbain
5- Conclusion
6- PerspectivesNuméro de notice : 24108 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de Doctorat : Informatique : Montpellier : 2021 Organisme de stage : Laboratoire LIRMM DOI : sans En ligne : https://tel.hal.science/tel-03589031/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100629 Détection et reconstruction 3D d’arbres urbains par segmentation de nuages de points : apport de l’apprentissage profond / Victor Alteirac (2021)
Titre : Détection et reconstruction 3D d’arbres urbains par segmentation de nuages de points : apport de l’apprentissage profond Type de document : Mémoire Auteurs : Victor Alteirac, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2021 Importance : 115 p. Format : 21 x 30 cm Note générale : bibliographie
mémoire de fin d'études INSA Strasbourg, Spécialité : Topographie et Master IRIVLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] arbre urbain
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'arbres
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] graphe
[Termes IGN] ilot thermique urbain
[Termes IGN] microclimat
[Termes IGN] modélisation 3D
[Termes IGN] reconstruction 3D
[Termes IGN] reconstruction d'objet
[Termes IGN] segmentation
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Les avancées technologiques de ces dernières années ont permis à l’intelligence artificielle de se démocratiser et de devenir de plus en plus performante. Présente dans de nombreux domaines comme l’automobile, l’aviation ou encore la médecine, cette dernière est très sollicitée. Les laboratoires de recherche tels que ICube abordent des problèmes complexes nécessitant des données tridimensionnelles. Au cours de ce projet de fin d'études, des recherches sont réalisées concernant la segmentation d'arbres urbains pour la modélisation et la prédiction d'ilots de chaleur en ville. Après un état de l'art, le réseau de neurones retenu est PointNet ++. À la suite du paramétrage de ce dernier, une acquisition est effectuée dans la ville de Strasbourg. Le nuage de points ainsi récupéré est donc segmenté en utilisant l’entrainement du réseau. Des résultats de près de 96% de bonnes segmentations sont obtenus sur la détection d’arbres, avec un résultat global de 85%. Pour finir, les segmentations sont alors récupérées pour la modélisation d'arbres afin d’amorcer leur insertion dans des modèles de microclimat. Tout cela apporte des perspectives très prometteuses pour l’automatisation de la segmentation d’arbres urbains grâce aux techniques d’apprentissage profond. Note de contenu : 1- Présentation de l’étude
2- Etat de l’art, segmentation automatique
3- Choix et implémentation du réseau de neurones
4- Application et adaptation du réseau
ConclusionNuméro de notice : 15271 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Laboratoire ICube En ligne : http://eprints2.insa-strasbourg.fr/4493/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99408
Titre : Dynamic scene understanding using deep neural networks Type de document : Thèse/HDR Auteurs : Ye Lyu, Auteur ; M. George Vosselman, Directeur de thèse ; Michael Ying Yang, Directeur de thèse Editeur : Enschede [Pays-Bas] : International Institute for Geo-Information Science and Earth Observation ITC Année de publication : 2021 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] chaîne de traitement
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] compréhension de l'image
[Termes IGN] détection d'objet
[Termes IGN] image captée par drone
[Termes IGN] image vidéo
[Termes IGN] poursuite de cible
[Termes IGN] régression
[Termes IGN] segmentation sémantiqueRésumé : (auteur) Scene understanding is an important and fundamental research field in computer vision, which is quite useful for many applications in photogrammetry and remote sensing. It focuses on locating and classifying objects in images, understanding the relationships between them. The higher goal is to interpret what event happens in the scene, when it happens and why it happens, and what should we do based on the information. Dynamic scene understanding is to use information from different time to interpret scenes and answer the above related questions. For modern scene understanding technology, deep learning has shown great potential for such task. "Deep" in deep learning refers to the use of multiple layers in the neural networks. Deep neural networks are powerful as they are highly non-linear function that possess the ability to map from one domain to another quite different domain after proper training. It is the best solution for many fundamental research tasks regarding scene understanding. This ph.D. research also takes advantage of deep learning for dynamic scene understanding. Temporal information plays an important role for dynamic scene understanding. Compared with static scene understanding from images, information distilled from the time dimension provides values in many different ways. Images across consecutive frames have very high correlation, i.e., objects observed in one frame have very high chance to be observed and identified in nearby frames as well. Such redundancy in observation could potentially reduce the uncertainty for object recognition with deep learning based methods, resulting in more consistent inference. High correlation across frames could also improve the chance for recognizing objects correctly. If the camera or the object moves, the object could be observed in multiple different views with different poses and appearance. The information captured for object recognition would be more diverse and complementary, which could be aggregated to jointly inference the categories and the properties of objects. This ph.D. research involves several tasks related to the dynamic scene understanding in computer vision, including semantic segmentation for aerial platform images (chapter 2, 3), video object segmentation and video object detection for common objects in natural scenes (chapter 4, 5), and multi-object tracking and segmentation for cars and pedestrians in driving scenes (chapter 6). Chapter2 investigates how to establish the semantic segmentation benchmark for the UAV images, which includes data collection, data labeling, dataset construction, and performance evaluation with baseline deep neural networks and the proposed multi-scale dilation net. Conditional random field with feature space optimization is used to achieve consistent semantic segmentation prediction in videos. Chapter3 investigates how to better extract the scene context information for etter object recognition performance by proposing the novel bidirectional multiscale attention networks. It achieves better performance by inferring features and attention weights for feature fusing from both higher level and lower level branches. Chapter4 investigates how to simultaneously segment multiple objects across multiple frames by combining memory modules with instance segmentation networks. Our method learns to propagate the target object labels without auxiliary data, such as optical flow, which simplifies the model. Chapter5 investigates how to improve the performance of well-trained object detectors with a light weighted and efficient plug&play tracker for object detection in video. This chapter also investigates how the proposed model performs when lacking video training data. Chapter6 investigates how to improve the performance of detection, segmentation, and tracking by jointly considering top-down and bottom-up inference. The whole pipeline follows the multi-task design, i.e., a single feature extraction backbone with multiple heads for different sub-tasks. Overall, this manuscript has delved into several different computer vision tasks, which share fundamental research problems, including detection, segmentation, and tracking. Based on the research experiments and knowledge from literature review, several reflections regarding dynamic scene understanding have been discussed: The range of object context influence the quality for object recognition; The quality of video data affect the method choice for specific computer vision task; Detection and tracking are complementary for each other. For future work, unified dynamic scene understanding task could be a trend, and transformer plus self-supervised learning is one promising research direction. Real-time processing for dynamic scene understanding requires further researches in order to put the methods into usage for real-world applications. Numéro de notice : 12984 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse étrangère Note de thèse : PhD thesis : Geo-Information Science and Earth Observation : Enschede, university of Twente : 2021 DOI : 10.3990/1.9789036552233 Date de publication en ligne : 08/09/2021 En ligne : https://library.itc.utwente.nl/papers_2021/phd/lyu.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100962 Estimation et cartographie d’attributs forestiers haute résolution : Le potentiel des approches multisource / Cédric Vega (2021)
Titre : Estimation et cartographie d’attributs forestiers haute résolution : Le potentiel des approches multisource Type de document : Article/Communication Auteurs : Cédric Vega , Auteur ; Milena Planells, Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2021 Conférence : Atelier Theia 2021, Les utilisations de la télédétection pour la forêt 11/10/2021 Montpellier France slides & videos Langues : Français (fre) Descripteur : [Termes IGN] données auxiliaires
[Termes IGN] données multisources
[Termes IGN] image optique
[Termes IGN] image radar
[Termes IGN] modèle numérique
[Termes IGN] prédiction
[Termes IGN] segmentation en régions
[Termes IGN] série temporelle
[Termes IGN] surveillance forestière
[Vedettes matières IGN] Inventaire forestierNuméro de notice : C2021-041 Affiliation des auteurs : LIF+Ext (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE/MATHEMATIQUE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99239 Documents numériques
peut être téléchargé
Estimation et cartographie d’attributs forestiers ... - diaporamaAdobe Acrobat PDF Exploration of reinforcement learning algorithms for autonomous vehicle visual perception and control / Florence Carton (2021)PermalinkFuNet: A novel road extraction network with fusion of location data and remote sensing imagery / Kai Zhou in ISPRS International journal of geo-information, vol 10 n° 1 (January 2021)PermalinkGeometric and semantic joint approach for the reconstruction of digital models of buildings / Pierre-Alain Langlois (2021)PermalinkGeometric computer vision: omnidirectional visual and remotely sensed data analysis / Pouria Babahajiani (2021)PermalinkHidden Markov map matching based on trajectory segmentation with heading homogeneity / Ge Cui in Geoinformatica, vol 25 n° 1 (January 2021)PermalinkLANet: Local attention embedding to improve the semantic segmentation of remote sensing images / Lei Ding in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)PermalinkLeveraging class hierarchies with metric-guided prototype learning / Vivien Sainte Fare Garnot (2021)PermalinkLocal fuzzy geographically weighted clustering: a new method for geodemographic segmentation / George Grekousis in International journal of geographical information science IJGIS, vol 35 n° 1 (January 2021)PermalinkPermalinkPermalink