Centre dedocumentation
scientifique

Unsupervised multi-view CNN for salient view selection and 3D interest point detection / Ran Song in International journal of computer vision, vol 130 n° 5 (May 2022)  

Public [article]  inInternational journal of computer vision > vol 130 n° 5 (May 2022) . - pp 1210 - 1227 Titre : Unsupervised multi-view CNN for salient view selection and 3D interest point detection Type de document : Article/Communication Auteurs : Ran Song, Auteur ; Wei Zhang, Auteur ; Yitian Zhao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 1210 - 1227 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] classification non dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] objet 3D [Termes IGN] point d'intérêt [Termes IGN] saillance Résumé : (auteur) We present an unsupervised 3D deep learning framework based on a ubiquitously true proposition named by us view-object consistency as it states that a 3D object and its projected 2D views always belong to the same object class. To validate its effectiveness, we design a multi-view CNN instantiating it for salient view selection and interest point detection of 3D objects, which quintessentially cannot be handled by supervised learning due to the difficulty of collecting sufficient and consistent training data. Our unsupervised multi-view CNN, namely UMVCNN, branches off two channels which encode the knowledge within each 2D view and the 3D object respectively and also exploits both intra-view and inter-view knowledge of the object. It ends with a new loss layer which formulates the view-object consistency by impelling the two channels to generate consistent classification outcomes. The UMVCNN is then integrated with a global distinction adjustment scheme to incorporate global cues into salient view selection. We evaluate our method for salient view section both qualitatively and quantitatively, demonstrating its superiority over several state-of-the-art methods. In addition, we showcase that our method can be used to select salient views of 3D scenes containing multiple objects. We also develop a method based on the UMVCNN for 3D interest point detection and conduct comparative evaluations on a publicly available benchmark, which shows that the UMVCNN is amenable to different 3D shape understanding tasks. Numéro de notice : A2022-415 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s11263-022-01592-x Date de publication en ligne : 16/03/2022 En ligne : https://doi.org/10.1007/s11263-022-01592-x Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100771 [article]

Automatic extraction of building geometries based on centroid clustering and contour analysis on oblique images taken by unmanned aerial vehicles / Leilei Zhang in International journal of geographical information science IJGIS, vol 36 n° 3 (March 2022)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 36 n° 3 (March 2022) . - pp 453 - 475 Titre : Automatic extraction of building geometries based on centroid clustering and contour analysis on oblique images taken by unmanned aerial vehicles Type de document : Article/Communication Auteurs : Leilei Zhang, Auteur ; Guoxin Wang, Auteur ; Weijian Sun, Auteur Année de publication : 2022 Article en page(s) : pp 453 - 475 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse de groupement [Termes IGN] classification barycentrique [Termes IGN] classification non dirigée [Termes IGN] détection de contours [Termes IGN] détection du bâti [Termes IGN] extraction automatique [Termes IGN] image captée par drone [Termes IGN] image oblique [Termes IGN] modèle numérique de surface [Termes IGN] orthophotocarte [Termes IGN] précision géométrique (imagerie) Résumé : (auteur) This paper introduces a method based on centroid clustering and contour analysis to extract area and height measurements on buildings from the 3D model generated by oblique images. The method comprises three steps: (1) extract the contour plane from the fused data of the digital surface model (DSM) and digital orthophoto map (DOM); (2) identify building contour clusters based on the number of centroids contained in each category determined by mean-shift centroid clustering; (3) remove the mis-identified contours in a given building contour cluster by a contour analysis and obtain the geometric information of the building using map algebra. The proposed approach was tested against four datasets. Compared with other results, the detection has effective completeness, correctness, quality, and higher geometric accuracy. The maximum average relative error of building height and area extraction is less than 8%. The method is fast for a large-scale collection of building attributes and improves the applicability of oblique photography in GIS. Numéro de notice : A2022-205 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2021.1937632 Date de publication en ligne : 14/06/2021 En ligne : https://doi.org/10.1080/13658816.2021.1937632 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100020 [article]

Neural map style transfer exploration with GANs / Sidonie Christophe in International journal of cartography, vol 8 n° 1 (March 2022)  

Public [article]  inInternational journal of cartography > vol 8 n° 1 (March 2022) . - n° 2031554 ; 19 p. Titre : Neural map style transfer exploration with GANs Type de document : Article/Communication Auteurs : Sidonie Christophe , Auteur ; Samuel Mermet, Auteur ; Morgan Laurent, Auteur ; Guillaume Touya , Auteur Année de publication : 2022 Projets : 1-Pas de projet / Article en page(s) : n° 2031554 ; 19 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] classification non dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] grille d'échantillonnage [Termes IGN] orthoimage [Termes IGN] représentation cartographique [Termes IGN] réseau antagoniste génératif [Termes IGN] style cartographique [Termes IGN] visualisation cartographique [Vedettes matières IGN] Géovisualisation Résumé : (auteur) Neural Style Transfer is a Computer Vision topic intending to transfer the visual appearance or the style of images to other images. Developments in deep learning nicely generate stylized images from texture-based examples or transfer the style of a photograph to another one. In map design, the style is a multi-dimensional complex problem related to recognizable visual salient features and topological arrangements, supporting the description of geographic spaces at a specific scale. The map style transfer is still at stake to generate a diversity of possible new styles to render geographical features. Generative adversarial Networks (GANs) techniques, well supporting image-to-image translation tasks, offer new perspectives for map style transfer. We propose to use accessible GAN architectures, in order to experiment and assess neural map style transfer to ortho-images, while using different map designs of various geographic spaces, from simple-styled (Plan maps) to complex-styled (old Cassini, Etat-Major, or Scan50 B&W). This transfer task and our global protocol are presented, including the sampling grid, the training and test of Pix2Pix and CycleGAN models, such as the perceptual assessment of the generated outputs. Promising results are discussed, opening research issues for neural map style transfer exploration with GANs. Numéro de notice : A2022-172 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/23729333.2022.2031554 Date de publication en ligne : 13/02/2022 En ligne : https://doi.org/10.1080/23729333.2022.2031554 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99807 [article]

Probabilistic unsupervised classification for large-scale analysis of spectral imaging data / Emmanuel Paradis in International journal of applied Earth observation and geoinformation, vol 107 (March 2022)  

Public [article]  inInternational journal of applied Earth observation and geoinformation > vol 107 (March 2022) . - n° 102675 Titre : Probabilistic unsupervised classification for large-scale analysis of spectral imaging data Type de document : Article/Communication Auteurs : Emmanuel Paradis, Auteur Année de publication : 2022 Article en page(s) : n° 102675 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse de groupement [Termes IGN] analyse spectrale [Termes IGN] classification barycentrique [Termes IGN] classification ISODATA [Termes IGN] classification non dirigée [Termes IGN] classification par nuées dynamiques [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] détection de changement [Termes IGN] entropie [Termes IGN] image hyperspectrale [Termes IGN] image multibande [Termes IGN] Matlab [Termes IGN] occupation du sol Résumé : (auteur) Land cover classification of remote sensing data is a fundamental tool to study changes in the environment such as deforestation or wildfires. A current challenge is to quantify land cover changes with real-time, large-scale data from modern hyper- or multispectral sensors. A range of methods are available for this task, several of them being based on the k-means classification method which is efficient when classes of land cover are well separated. Here a new algorithm, called probabilistic k-means, is presented to solve some of the limitations of the standard k-means. It is shown that the new algorithm performs better than the standard k-means when the data are noisy. If the number of land cover classes is unknown, an entropy-based criterion can be used to select the best number of classes. The proposed new algorithm is implemented in a combination of R and C computer codes which is particularly efficient with large data sets: a whole image with more than 3 million pixels and covering more than 10,000 km2 can be analysed in a few minutes. Four applications with hyperspectral and multispectral data are presented. For the data sets with ground truth data, the overall accuracy of the probabilistic k-means was substantially improved compared to the standard k-means. One of these data sets includes more than 120 million pixels, demonstrating the scalability of the proposed approach. These developments open new perspectives for the large scale analysis of remote sensing data. All computer code are available in an open-source package called sentinel. Numéro de notice : A2022-193 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.jag.2022.102675 Date de publication en ligne : 06/01/2022 En ligne : https://doi.org/10.1016/j.jag.2022.102675 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99954 [article]

Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques / Jean-Yves Franceschi (2022)  

Public Titre : Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques Type de document : Thèse/HDR Auteurs : Jean-Yves Franceschi, Auteur ; Sylvain Lamprier, Directeur de thèse ; Patrick Gallinari, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 304 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse soutenue pour obtenir le grade de Docteur en Informatique de Sorbonne Université Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] apprentissage profond [Termes IGN] classification non dirigée [Termes IGN] données spatiotemporelles [Termes IGN] équation différentielle [Termes IGN] processus stochastique [Termes IGN] réseau antagoniste génératif [Termes IGN] réseau neuronal récurrent [Termes IGN] série temporelle [Termes IGN] système dynamique Index. décimale : THESE Thèses et HDR Résumé : (auteur) L'essor de l'apprentissage profond trouve notamment sa source dans les avancées scientifiques qu'il a permises en termes d'apprentissage de représentations et de modèles génératifs. Dans leur grande majorité, ces progrès ont cependant été obtenus sur des données textuelles et visuelles statiques, les données temporelles demeurant un défi pour ces méthodes. Compte tenu de leur importance pour l'automatisation croissante de multiples tâches, de plus en plus de travaux en apprentissage automatique s'intéressent aux problématiques d'évolution temporelle. Dans cette thèse, nous étudions ainsi plusieurs aspects de la temporalité et des systèmes dynamiques dans les réseaux de neurones profonds pour l'apprentissage non supervisé de représentations et de modèles génératifs. Premièrement, nous présentons une méthode générale d'apprentissage de représentations non supervisée pour les séries temporelles prenant en compte des besoins pratiques d'efficacité et de flexibilité. Dans un second temps, nous nous intéressons à l'apprentissage pour les séquences structurées de nature spatio-temporelle, couvrant les vidéos et phénomènes physiques. En les modélisant par des équations différentielles paramétrisées par des réseaux de neurones, nous montrons la corrélation entre la découverte de représentations pertinentes d'un côté, et de l'autre la fabrique de modèles prédictifs performants sur ces données. Enfin, nous analysons plus généralement dans une troisième partie les populaires réseaux antagonistes génératifs dont nous décrivons la dynamique d'apprentissage par des équations différentielles, nous permettant d'améliorer la compréhension de leur fonctionnement. Note de contenu : 1- Motivation 2- Time series representation learning 3- State-space predictive models for spatiotemporal data 4- Analysis of GANs’ training dynamics 5- Conclusion Numéro de notice : 15203 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris : 2022 DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03591720 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100472

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)  

Permalink

Flexible Gabor-based superpixel-level unsupervised LDA for hyperspectral image classification / Sen Jia in IEEE Transactions on geoscience and remote sensing, vol 59 n° 12 (December 2021)  

Permalink

A feature based change detection approach using multi-scale orientation for multi-temporal SAR images / R. Vijaya Geetha in European journal of remote sensing, vol 54 sup 2 (2021)  

Permalink

Unsupervised self-adaptive deep learning classification network based on the optic nerve microsaccade mechanism for unmanned aerial vehicle remote sensing image classification / Ming Cong in Geocarto international, vol 36 n° 18 ([01/10/2021])  

Permalink

Unsupervised representation high-resolution remote sensing image scene classification via contrastive learning convolutional neural network / Fengpeng Li in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 8 (August 2021)  

Permalink

Unsupervised denoising for satellite imagery using wavelet directional cycleGAN / Shaoyang Kong in IEEE Transactions on geoscience and remote sensing, vol 59 n° 8 (August 2021)  

Permalink

Comparison of classification methods for urban green space extraction using very high resolution worldview-3 imagery / S. Vigneshwaran in Geocarto international, vol 36 n° 13 ([15/07/2021])  

Permalink

Review of spectral indices for urban remote sensing / Akib Javed in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 7 (July 2021)  

Permalink

Semantic unsupervised change detection of natural land cover with multitemporal object-based analysis on SAR images / Donato Amitrano in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 7 (July 2021)  

Permalink

A novel unsupervised change detection method from remotely sensed imagery based on an improved thresholding algorithm / Sara Khanbani in Applied geomatics, vol 13 n° 1 (May 2021)  

Permalink