Descripteur
Documents disponibles dans cette catégorie (763)
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
Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving / Edouard Capellier (2020)
Titre : Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving Type de document : Thèse/HDR Auteurs : Edouard Capellier, Auteur ; Véronique Berge-Cherfaoui, Directeur de thèse ; Franck Davoine, Directeur de thèse Editeur : Compiègne : Université de Technologie de Compiègne UTC Année de publication : 2020 Importance : 123 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour l'obtention du grade de Docteur de l'UTC, Robotique et Sciences et Technologies de l'Information et des SystèmesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] carte routière
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] données lidar
[Termes IGN] image RVB
[Termes IGN] intelligence artificielle
[Termes IGN] navigation autonome
[Termes IGN] segmentation sémantique
[Termes IGN] théorie de Dempster-Shafer
[Termes IGN] vision par ordinateur
[Termes IGN] visualisation 3DIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The perception task is paramount for self-driving vehicles. Being able to extract accurate and significant information from sensor inputs is mandatory, so as to ensure a safe operation. The recent progresses of machine-learning techniques revolutionize the way perception modules, for autonomous driving, are being developed and evaluated, while allowing to vastly overpass previous state-of-the-art results in practically all the perception-related tasks. Therefore, efficient and accurate ways to model the knowledge that is used by a self-driving vehicle is mandatory. Indeed, self-awareness, and appropriate modeling of the doubts, are desirable properties for such system. In this work, we assumed that the evidence theory was an efficient way to finely model the information extracted from deep neural networks. Based on those intuitions, we developed three perception modules that rely on machine learning, and the evidence theory. Those modules were tested on real-life data. First, we proposed an asynchronous evidential occupancy grid mapping algorithm, that fused semantic segmentation results obtained from RGB images, and LIDAR scans. Its asynchronous nature makes it particularly efficient to handle sensor failures. The semantic information is used to define decay rates at the cell level, and handle potentially moving object. Then, we proposed an evidential classifier of LIDAR objects. This system is trained to distinguish between vehicles and vulnerable road users, that are detected via a clustering algorithm. The classifier can be reinterpreted as performing a fusion of simple evidential mass functions. Moreover, a simple statistical filtering scheme can be used to filter outputs of the classifier that are incoherent with regards to the training set, so as to allow the classifier to work in open world, and reject other types of objects. Finally, we investigated the possibility to perform road detection in LIDAR scans, from deep neural networks. We proposed two architectures that are inspired by recent state-of-the-art LIDAR processing systems. A training dataset was acquired and labeled in a semi-automatic fashion from road maps. A set of fused neural networks reaches satisfactory results, which allowed us to use them in an evidential road mapping and object detection algorithm, that manages to run at 10 Hz Note de contenu : 1- Introduction
2- Machine learning for perception in autonomous driving
3- The evidence theory, and its applications in autonomous driving
4- A synchronous evidential grid mapping from RGB images and LIDAR scans
5- Evidential LIDAR object classification
6- Road detection in LIDAR scans
7- Application of RoadSeg:evidential road surface mapping
8- ConclusionNuméro de notice : 25895 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Robotique et Sciences et Technologies de l'Information et des Systèmes : UTC : 2020 Organisme de stage : Laboratoire Heudiasyc nature-HAL : Thèse DOI : sans En ligne : https://hal.science/tel-02897810v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96013
Titre : Artificial intelligence applications to smart city and smart enterprise Type de document : Monographie Auteurs : Donato Impedovo, Éditeur scientifique ; Giuseppe Pirlo, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 374 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-3-03936-438-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] algorithme génétique
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] gestion urbaine
[Termes IGN] Inférence floue
[Termes IGN] métadonnées
[Termes IGN] navigation autonome
[Termes IGN] planification urbaine
[Termes IGN] système de transport intelligent
[Termes IGN] trafic routier
[Termes IGN] ville intelligente
[Termes IGN] vision par ordinateurRésumé : (éditeur) Smart cities operate under more resource-efficient management and economy than ordinary cities. As such, advanced business models have emerged around smart cities, which led to the creation of smart enterprises and organizations that depend on advanced technologies. This book includes 21 selected and peer-reviewed articles contributed in the wide spectrum of artificial intelligence applications to smart cities. Chapters refer to the following areas of interest: vehicular traffic prediction, social big data analysis, smart city management, driving and routing, localization, safety, health, and life quality. Note de contenu : 1- Artificial intelligence applications to smart city and smart enterprise
2- Global spatial-temporal graph convolutional network for urban traffic speed prediction
3- TrafficWave: Generative deep learning architecture for vehicular traffic flow prediction
4- Grassmann manifold based state analysis method of traffic surveillance video
5- Improved spatio-temporal residual networks for bus traffic flow prediction
6- Sehaa: A big data analytics tool for healthcare symptoms and diseases detection using Twitter, Apache Spark, and machine learning
7- Smart cities big data algorithms for sensors location
8- Managing a smart city integrated model through smart program management
9- Conceptual framework of an intelligent decision support system for smart city
disaster management
10- Vision-based potential pedestrian risk analysis on unsignalized crosswalk using data mining techniques
11- Development of deep learning based human-centered threat assessment for application to automated driving vehicle
12- Modeling and solution of the routing problem in vehicular Delay-Tolerant networks: A dual, deep learning perspective
13- “Texting & Driving” detection using deep convolutional neural networks
14- Deep learning system for vehicular re-routing and congestion avoidance
15- Identifying foreign tourists’ nationality from mobility traces via LSTM neural network and location embeddings
16- Feature adaptive and cyclic dynamic learning based on infinite term memory extreme learning machine
17- LSTM DSS automatism and dataset optimization for diabetes prediction
18- Convolutional models for the detection of firearms in surveillance videos
19- PARNet: A joint loss function and dynamic weights network for pedestrian semantic attributes recognition of smart surveillance image
20- Supervised machine-learning predictive analytics for national quality of life scoring
21- Bacterial foraging-based algorithm for optimizing the powerGeneration of an isolated microgrid
22- Optimizgtion of EPB shield performance with adaptive neuro-fuzzy inference system and Genetic algorithmNuméro de notice : 28448 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE/URBANISME Nature : Recueil / ouvrage collectif DOI : 10.3390/books978-3-03936-438-1 En ligne : https://doi.org/10.3390/books978-3-03936-438-1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98929 Cartographie des essences forestières à partir de séries temporelles d’images satellitaires à hautes résolutions : stabilité des prédictions, autocorrélation spatiale et cohérence avec la phénologie observée in situ / Nicolas Karasiak (2020)
Titre : Cartographie des essences forestières à partir de séries temporelles d’images satellitaires à hautes résolutions : stabilité des prédictions, autocorrélation spatiale et cohérence avec la phénologie observée in situ Type de document : Thèse/HDR Auteurs : Nicolas Karasiak, Auteur ; Claude Monteil, Directeur de thèse ; Jean-Français Dejoux, Directeur de thèse ; David Sheeren , Directeur de thèse Editeur : Toulouse : Université de Toulouse Année de publication : 2020 Importance : 240 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, délivré par l'Institut National Polytechnique de Toulouse, spécialité : Agrosystèmes, Écosystèmes et EnvironnementLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] autocorrélation spatiale
[Termes IGN] bibliothèque logicielle
[Termes IGN] carte forestière
[Termes IGN] essence d'arbre
[Termes IGN] image à haute résolution
[Termes IGN] image Formosat/COSMIC
[Termes IGN] image Landsat-8
[Termes IGN] image Sentinel-MSI
[Termes IGN] phénologie
[Termes IGN] série temporelleIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La forêt a un rôle essentiel sur terre, que ce soit pour stocker le carbone et ainsi lutter contre le réchauffement climatique ou encore fournir un habitat à de nombreuses espèces. Or, la composition de la forêt (la localisation des essences ou leur diversité) a une influence sur les services écologiques rendus. Dans ce contexte, il est important de cartographier les forêts et les essences qui la composent. La télédétection, en particulier à partir d’images satellitaires, apparait comme le moyen le plus adéquat pour caractériser un vaste territoire. Avec l’arrivée de constellations satellitaires comme Sentinel-2 ou Landsat-8 et leur gratuité d’acquisition pour l’utilisateur, il devient possible d’envisager l’usage de séries temporelles d’images satellites à haute résolution spatiale, spectrale et temporelle à l’aide d’algorithmes d’apprentissage automatique. Si de nombreux travaux ont étudié le potentiel des images satellitaires pour identifier les essences, rares sont ceux qui utilisent des séries temporelles (plusieurs images par an) avec une haute résolution spatiale et en tenant compte de l’autocorrélation spatiale des références, i.e. la ressemblance des échantillons spatialement proches les uns des autres. Or, en ne prenant pas en compte ce phénomène, des biais d’évaluation peuvent survenir et ainsi surestimer la qualité des modèles d’apprentissage. Il s’agit aussi de mieux cerner les verrous méthodologiques afin de comprendre pourquoi il peut être facile ou compliqué pour un algorithme d’identifier une essence d’une autre. L’objectif général de la thèse vise à étudier le potentiel et les verrous concernant la reconnaissance des essences forestières à partir des séries temporelles d’images satellite à haute résolution spatiale, spectrale et temporelle. Le premier objectif consiste à étudier la stabilité temporelle des prédictions à partir d’une archive de neuf ans du satellite Formosat-2. Plus particulièrement, les travaux portent sur la mise en place d’une méthode de validation qui soit le plus fidèle à la qualité observée des cartographies. Le second objectif s’intéresse au lien entre les évènements phénologiques in situ (pousse des feuilles en début de saison, ou perte et coloration des feuilles en fin de saison) et ce qui est observable par télédétection. Outre la capacité de détecter ces évènements, il sera étudié si ce qui permet aux algorithmes de différencier les essences les unes des autres est lié à des comportements spécifiques par espèce. Note de contenu : 1- Introduction
2- Etude de la stabilité spatiale et statistique des prédictions
3- Etude de l’impact de l’autocorrélation spatiale
4- Etude et apport de la phénologie
5- Partage des outils et des données : assurer une reproductibilité des travaux
6- Conclusion généraleNuméro de notice : 28326 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Agrosystèmes, Écosystèmes et Environnement : Toulouse : 2020 Organisme de stage : DYNAFOR DOI : sans En ligne : http://www.theses.fr/2020INPT0115 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98378 Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar / Mohamed Boussaha (2020)
Titre : Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar Titre original : 3D hybrid urban scene semantic mapping from multi-modal data Type de document : Thèse/HDR Auteurs : Mohamed Boussaha , Auteur ; Bruno Vallet , Directeur de thèse ; Patrick Rives, Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2020 Projets : PLaTINUM / Gouet-Brunet, Valérie Note générale : bibliographie
Dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy delivered by Université Paris-EstLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage dirigé
[Termes IGN] carte de profondeur
[Termes IGN] descripteur
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fusion de données multisource
[Termes IGN] image panoramique
[Termes IGN] maillage par triangles
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] réflectance
[Termes IGN] scène intérieure
[Termes IGN] scène urbaine
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] système de numérisation mobile
[Termes IGN] texturage
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Avec la démocratisation des applications collaboratives d'assistance à la navigation et l'avènement de robots autonomes, la cartographie mobile suscite ces dernières années une attention croissante, tant dans les milieux académiques qu'industriels. La numérisation de l'environnement offre non seulement une connaissance fine et exhaustive permettant aux usagers d'anticiper et de planifier leurs déplacements, mais garantit aussi la disponibilité d'informations fiables notamment en cas d'éventuelle défaillance des capteurs visuels d'un véhicule autonome. S'agissant d'un enjeu crucial pour une navigation fiable, la cartographie mobile soulève en revanche de nombreux défis en matière de robustesse, de précision et de passage à l'échelle. Cette problématique fait appel à des méthodes qui requièrent une capacité de traitement de données massives avec une précision centimétrique tout en gérant les spécificités de l'acquisition (la variabilité du niveau de détails, des occultations et des fortes variations de luminosité).
Cette thèse porte sur le développement d'un référentiel global géolocalisé de l'environnement urbain constitué de représentations 3D géométriques, photométriques et sémantiques. Dans un premier temps, une investigation approfondie de la représentation la plus adaptée à un tel référentiel, permet une reconstruction d'une carte haute définition à large échelle sous forme d'un maillage 3D texturé. Cette représentation est mise en place par fusion multimodale d'images orientées et de balayages LiDAR géo-référencés acquis depuis une plateforme de cartographie mobile terrestre. Par la suite, nous proposons d'intégrer l'aspect sémantique au référentiel 3D reconstruit en exploitant la complémentarité entre les modalités d'acquisition photométriques et géométriques. À travers la riche littérature sur le sujet, nous identifions l'absence d'un jeu de données urbain multimodal annoté incluant un maillage texturé à large échelle. Nous abordons ce verrou par la production d'un jeu de données composé de nuages de point 3D, d'images 2D perspectives et panoramiques, de cartes de profondeur et de reflectance ainsi qu'un maillage texturé avec les annotations correspondantes à chaque modalité. Dans un second temps, nous considérons le référentiel comme un nuage de points structuré par un graphe d'adjacence. Nous introduisons une nouvelle approche de sur-segmentation par apprentissage supervisé. Cette méthode opère en deux temps: calcul de descripteurs locaux des points 3D par apprentissage profond de métrique, puis partition du nuage de points en zones uniformes, appelées superpoints. Les descripteurs sont appris de telle sorte qu'ils présentent de forts contrastes à l'interface entre objets, incitant la partition résultante à suivre leurs contours naturels. Nos expériences sur des scènes intérieures et extérieures montrent la nette supériorité de notre approche sur les méthodes de partition de nuage de points de l'état de l'art, qui ne reposaient pas jusqu'à là sur l'apprentissage machine. Nous montrons également que notre méthode peut être combinée à un algorithme de classification de superpoints pour obtenir d'excellents résultats en terme de segmentation sémantique, améliorant aussi l'état de l'art sur ce sujet. Enfin, nous étendons cette approche aux maillages texturés. Les triangles, structurés cette fois-ci par le graphe d'adjacence du maillage, sont partitionnés en groupes homogènes appelés superfacettes. À l'instar des nuages de points, des descripteurs locaux du maillage texturé sont appris de façon à ce que les frontières d'objets sémantiquement distincts présentent un contraste élevé. Ces descripteurs sont le résultat d'une fusion des descripteurs appris sur le maillage par convolution des arêtes d'une part, et des descripteurs de texture d'autre part. Les expériences réalisées sur notre jeu de données illustrent la supériorité de notre approche par rapport aux méthodes de l'état de l'art de sur-segmentation de maillage.Numéro de notice : 17674 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de doctorat : Geographical Information Sciences and technologies : UPE : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse En ligne : https://hal.science/tel-03276242v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98009 Classification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery / H. Tombul in Journal of geodetic science, vol 10 n° 1 (January 2020)
[article]
Titre : Classification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery Type de document : Article/Communication Auteurs : H. Tombul, Auteur ; Ismail Colkesen, Auteur ; Taskin Kavzoglu, Auteur Année de publication : 2020 Article en page(s) : pp 14 - 22 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algorithme d'apprentissage
[Termes IGN] analyse canonique
[Termes IGN] analyse comparative
[Termes IGN] bande spectrale
[Termes IGN] boosting adapté
[Termes IGN] carte de la végétation
[Termes IGN] carte thématique
[Termes IGN] classification orientée objet
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image Sentinel-MSI
[Termes IGN] jeu de données
[Termes IGN] Populus (genre)
[Termes IGN] précision de la classification
[Termes IGN] Rotation Forest classification
[Termes IGN] segmentation multi-échelle
[Termes IGN] TurquieRésumé : (auteur) The poplar species in the forest ecosystems are one of the most valuable and beneficial species for the society and environment. Conventional methods require high cost, time and labor need, and the results obtained vary and are insu˚cient in terms of achieved accuracy level. Determination of poplar cultivated fields and mapping of their spatial sites play a vital role for decision-makers and planners to enhance the economic and ecological value of poplar trees. The study aims to map Poplar (P. deltoides) cultivated areas in Akyazi district of Sakarya, Turkey province using various combinations of the Sentinel-2A image bands. For this purpose, object-based classification based on multi-resolution segmentation algorithm was utilized to produce image objects and ensemble learning algorithms, namely, Adaboost (AdaB), Random Forest (RF), Rotation Forest (RotFor) and Canonical correlation forest (CCF) were applied to produce thematic maps. In order to analyze the effects of the spectral bands of the Sentinel-2A image on the object-based classification performance, three datasets consisting of different spectral band combinations (i.e. four 10 m bands, six 20 m bands and ten 10m pan-sharpened bands) were used. The results showed that the RotFor and CCF classifiers produced superior classification performances compared to the AdaB and RF classifiers for the band combinations regarded in this study. Moreover, it was found that determination of poplar tree class level accuracy reached to ~94% in terms of F-score. It was also observed that the inclusion of the six spectral bands at 20 m resolution resulted in a noteworthy increase in classification accuracy (up to 6%) compared to single 10m band combination. Numéro de notice : A2020-420 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1515/jogs-2020-0003 Date de publication en ligne : 04/05/2020 En ligne : https://doi.org/10.1515/jogs-2020-0003 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95477
in Journal of geodetic science > vol 10 n° 1 (January 2020) . - pp 14 - 22[article]Comparing supervised learning algorithms for Spatial Nominal Entity recognition / Amine Medad (2020)PermalinkComparison of multi-seasonal Landsat 8, Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California / Matthew L. Clark in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)PermalinkConstraint based evaluation of generalized images generated by deep learning / Azelle Courtial (2020)PermalinkConvolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts / Rodrigo Caye Daudt (2020)PermalinkPermalinkDeep learning for remote sensing images with open source software / Rémi Cresson (2020)PermalinkPermalinkÉtude préalable à la mise en oeuvre de la qualification des contributions dans les bases de données collaboratives hébergées par l’IGN / Lilian Calas (2020)PermalinkPermalinkGénération de cartes tactiles photoréalistes pour personnes déficientes visuelles par apprentissage profond / Gauthier Fillières-Riveau in Revue internationale de géomatique, vol 30 n° 1-2 (janvier - juin 2020)Permalink