Descripteur
Documents disponibles dans cette catégorie (199)
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
Titre : Can graph convolution networks learn spatial relations? Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Editeur : International Cartographic Association ICA - Association cartographique internationale ACI Année de publication : 2021 Collection : Abstracts of the ICA num. 3 Projets : 1-Pas de projet / Conférence : ICC 2021, 30th ICA international cartographic conference 14/12/2021 18/12/2021 Florence Italie Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] alignement
[Termes IGN] bati
[Termes IGN] objet géographique
[Termes IGN] relation spatiale
[Termes IGN] réseau neuronal convolutif
[Termes IGN] réseau neuronal de graphes
[Termes IGN] réseau routier
[Vedettes matières IGN] GénéralisationRésumé : (auteur) [introduction] Maps are composed of spatially related geographic objects. Spatial relations are key information for human as they support the description of relative locations: the house is to the east of the city centre, near the interchange, or at the end of the path. Consequently, preserving these spatial relations is important during map generalisation. For example, building typification is a generalisation operation that seeks to reduce the quantity of building while preserving relation between and within homogeneous buildings groups (Regnauld, 2001). Building or road patterns are remarkable distributions of elements in the map from which high-level concepts and semantics (e.g. landuse types and urban morphology) can be inferred. Such patterns can be characterized by spatial relations (e.g. proximity, similarity and continuity of these elements) and hence are visually easy to identify by a human. To identify these patterns automatically is important for automated map generalisation (Christophe and Ruas, 2002). However, it remains challenging to devise algorithms that can resemble the human level performance. The goal of this paper is to illustrate the potential of graph convolutional networks (GCN) for the identification of patterns and relations important for map generalisation with two use cases: building patterns detection, and road segment selection. Both tasks require some degree of understanding of the spatial relations between map objects. Hence, our experiments constitute a first step in exploring the capability of deep neural network for learning representations of spatial relations. Numéro de notice : C2021-045 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/ica-abs-3-60-2021 Date de publication en ligne : 13/12/2021 En ligne : https://doi.org/10.5194/ica-abs-3-60-2021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99420 Contributions to graph-based hierarchical analysis for images and 3D point clouds / Leonardo Gigli (2021)
Titre : Contributions to graph-based hierarchical analysis for images and 3D point clouds Type de document : Thèse/HDR Auteurs : Leonardo Gigli, Auteur ; Beatriz Marcotegui, Directeur de thèse Editeur : Paris : Université Paris Sciences et Lettres Année de publication : 2021 Importance : 177 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Université PSL, Spécialité : Morphologie MathématiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] analyse de groupement
[Termes IGN] apprentissage automatique
[Termes IGN] arbre aléatoire minimum
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] extraction du réseau routier
[Termes IGN] morphologie mathématique
[Termes IGN] processus de hiérarchisation analytique
[Termes IGN] réseau neuronal de graphes
[Termes IGN] segmentation d'image
[Termes IGN] semis de points
[Termes IGN] texture d'image
[Termes IGN] théorie des graphesIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Graphs are powerful mathematical structures representing a set of objects and the underlying links between pairs of objects somehow related. They are becoming increasingly popular in data science in general and in particular in image or 3D point cloud analysis. Among the wide spectra of applications, they are involved in most of the hierarchical approaches.Hierarchies are particularly important because they allow us to efficiently organize the information required and to analyze the problems at different levels of detail. In this thesis, we address the following topics. Many morphological hierarchical approaches rely on the Minimum Spanning Tree (MST). We propose an algorithm for MST computation in streaming based on a graph decomposition strategy. Thanks to this decomposition, larger images can be processed or can benefit from partial reliable information while the whole image is not completely available.Recent LiDAR developments are able to acquire large-scale and precise 3D point clouds. Many applications, such as infrastructure monitoring, urban planning, autonomous driving, precision forestry, environmental assessment, archaeological discoveries, to cite a few, are under development nowadays. We introduce a ground detection algorithm and compare it with the state of the art. The impact of reducing the point cloud density with low-cost scanners is studied, in the context of an autonomous driving application. Finally, in many hierarchical methods similarities between points are given as input. However, the metric used to compute similarities influences the quality of the final results. We exploit metric learning as a complementary tool that helps to improve the quality of hierarchies. We demonstrate the capabilities of these methods in two contexts. The first one,a texture classification of 3D surfaces. Our approach ranked second in a task organized by SHREC’20 international challenge. The second one learning the similarity function together with the optimal hierarchical clustering, in a continuous feature-based hierarchical clustering formulation. Note de contenu : Introduction
1- Graph theory and clustering
2- Point clouds
3- Ground and road detection
4- Minimum spanning tree for data streams
5- Metric learning
6- Towards Morphological Convolutions on Graphs
ConclusionsNuméro de notice : 28623 Affiliation des auteurs : non IGN Thématique : IMAGERIE/MATHEMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Morphologie Mathématique : Paris Sciences et Lettres : 2021 Organisme de stage : Centre de Morphologie Mathématique DOI : sans En ligne : https://pastel.hal.science/tel-03512298/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99543 Deep convolutional neural networks for scene understanding and motion planning for self-driving vehicles / Abdelhak Loukkal (2021)
Titre : Deep convolutional neural networks for scene understanding and motion planning for self-driving vehicles Type de document : Thèse/HDR Auteurs : Abdelhak Loukkal, Auteur ; Yves Grandvalet, Directeur de thèse Editeur : Compiègne : Université de Technologie de Compiègne UTC Année de publication : 2021 Importance : 129 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée pour l’obtention du grade de Docteur de l’UTC, spécialité InformatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] compréhension de l'image
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fusion de données multisource
[Termes IGN] navigation autonome
[Termes IGN] reconnaissance de formes
[Termes IGN] réseau neuronal profond
[Termes IGN] segmentation sémantique
[Termes IGN] système de navigation
[Termes IGN] véhicule automobile
[Termes IGN] vision monoculaire
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) During this thesis, some perception approaches for self-driving vehicles were developed using de convolutional neural networks applied to monocular camera images and High-Definition map (HD-ma rasterized images. We focused on camera-only solutions instead of leveraging sensor fusion with rang sensors because cameras are the most cost-effective and discrete sensors. The objective was also to show th camera-based approaches can perform at par with LiDAR-based solutions on certain 3D vision tasks. Rea world data was used for training and evaluation of the developed approaches but simulation was als leveraged when annotated data was lacking or for safety reasons when evaluating driving capabilities. Cameras provide visual information in a projective space where the perspective effect does not preserve th distances homogeneity. Scene understanding tasks such as semantic segmentation are then often operated i the camera-view space and then projected to 3D using a precise depth sensor such as a LiDAR. Having thi scene understanding in the 3D space is useful because the vehicles evolve in the 3D world and the navigatio algorithms reason in this space. Our focus was then to leverage the geometric knowledge about the camer parameters and its position in the 3D world to develop an approach that allows scene understanding in the 3D space using only a monocular image as input. Neural networks have also proven to be useful for more than just perception and are more and more used fo the navigation and planning tasks that build on the perception outputs. Being able to output 3D scen understanding information from a monocular camera has also allowed us to explore the possibility of havin an end-to-end holistic neural network that takes a camera image as input, extracts intermediate semantic information in the 3D space and then lans the vehicle's trajectory. Note de contenu : 1. Introduction
1.1 General context
1.2 Framework and objectives
1.3 Organization and contributions of the thesis
2. Background and related work
2.1 Introduction
2.2 Autonomous driving perception datasets
2.3 Autonomous driving simulators
2.4 Semantic segmentation with CNNs
2.5 Monocular depth estimation with CNNs
2.6 Driving with imitation learning
2.7 Conclusion
3. Semantic segmentation using cartographic and depth maps
3.1 Introduction
3.2 Synthetic dataset
3.3 Proposed methods
3.4 Experiments
3.5 Conclusion
4. Disparity weighted loss for semantic segmentation
4.1 Introduction
4.2 Disparity weighting for semantic segmentation
4.3 Experiments
4.4 Conclusion
5. FlatMobileNet: Bird-Eye-View semantic masks from a monoc?ular camera
5.1 Introduction
5.2 Theoretical framework
5.3 FlatMobile network: footprint segmentation
5.4 Conclusion
6. Driving among flatmobiles
6.1 Introduction
6.2 Encoder-decoder LSTM for trajectory planning
6.3 Experimental evaluation
6.4 Conclusion
7. Conclusion
7.1 Contributions
7.2 PerspectivesNuméro de notice : 26769 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Compiègne : 2021 Organisme de stage : Heuristique et Diagnostic des Systèmes Complexes HeuDiaSyC nature-HAL : Thèse DOI : sans Date de publication en ligne : 25/10/2021 En ligne : https://tel.hal.science/tel-03402541/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99871 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 Evaluation of a neural network with uncertainty for detection of ice and water in SAR imagery / Nazanin Asadi in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)
[article]
Titre : Evaluation of a neural network with uncertainty for detection of ice and water in SAR imagery Type de document : Article/Communication Auteurs : Nazanin Asadi, Auteur ; K. Andrea Scott, Auteur ; Alexander S. Komarov, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 247 - 259 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] apprentissage profond
[Termes IGN] assimilation des données
[Termes IGN] classification pixellaire
[Termes IGN] glace de mer
[Termes IGN] image radar moirée
[Termes IGN] incertitude des données
[Termes IGN] modèle d'incertitude
[Termes IGN] Perceptron multicouche
[Termes IGN] pondération
[Termes IGN] précision de la classification
[Termes IGN] régression logistique
[Termes IGN] réseau neuronal artificielRésumé : (auteur) Synthetic aperture radar (SAR) sea ice imagery is a promising source of data for sea ice data assimilation. Classification of SAR sea ice imagery into ice and water is of particular relevance due to its relationship with ice concentration, a key variable in sea ice data assimilation systems. With increasing volumes of SAR data, automated methods to carry out these classifications are of particular importance. Although several automated approaches have been proposed, none look at the impact of including an estimate of uncertainty of the model parameters and input features on the classification output. This article uses an established database of SAR image features to train a multilayer perceptron (MLP) neural network to classify pixel locations as either ice, water, or unknown. The classification accuracies are benchmarked using a recently developed logistic regression approach for the same database. The two methods are found to be comparable. The MLP approach is then enhanced to allow uncertainty to be estimated at each pixel location. Following methods proposed in the deep learning community, two kinds of uncertainty are considered. The first, epistemic uncertainty, is that due to uncertainty in the MLP weights. The second kind of uncertainty, aleatoric uncertainty, is that which cannot be explained by the model, and is therefore associated with the input data. It is found that including these uncertainties in the MLP models reduces their accuracies slightly, but also reduces misclassification rates. This is of particular importance for data assimilation applications, where misclassifications could severely degrade the analysis. Numéro de notice : A2021-033 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2992454 Date de publication en ligne : 09/06/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2992454 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96735
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 1 (January 2021) . - pp 247 - 259[article]Exploration of reinforcement learning algorithms for autonomous vehicle visual perception and control / Florence Carton (2021)PermalinkPermalinkLearning embeddings for cross-time geographic areas represented as graphs / Margarita Khokhlova (2021)PermalinkMachine learning for the distributed and dynamic management of a fleet of taxis and autonomous shuttles / Tatiana Babicheva (2021)PermalinkA new method for improving the performance of an ionospheric model developed by multi-instrument measurements based on artificial neural network / Wang Li in Advances in space research, vol 67 n° 1 (January 2021)PermalinkPanoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)PermalinkPermalinkPermalinkSupplementary material for: Panoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)PermalinkNonlocal graph convolutional networks for hyperspectral image classification / Lichao Mou in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)Permalink