Centre dedocumentation
scientifique

Detection of pictorial map objects with convolutional neural networks / Raimund Schnürer in Cartographic journal (the), vol 58 n° 1 (August 2021)  

Public [article]  inCartographic journal (the) > vol 58 n° 1 (August 2021) . - pp 50 - 68 Titre : Detection of pictorial map objects with convolutional neural networks Type de document : Article/Communication Auteurs : Raimund Schnürer, Auteur ; René Sieber, Auteur ; Jost Schmid-Lanter, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 50 - 68 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] base de données d'images [Termes IGN] bibliothèque numérique [Termes IGN] carte ancienne [Termes IGN] carte numérique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] données issues des réseaux sociaux [Termes IGN] objet cartographique [Termes IGN] pictogramme Résumé : (auteur) In this work, realistically drawn objects are identified on digital maps by convolutional neural networks. For the first two experiments, 6200 images were retrieved from Pinterest. While alternating image input options, two binary classifiers based on Xception and InceptionResNetV2 were trained to separate maps and pictorial maps. Results showed that the accuracy is 95–97% to distinguish maps from other images, whereas maps with pictorial objects are correctly classified at rates of 87–92%. For a third experiment, bounding boxes of 3200 sailing ships were annotated in historic maps from different digital libraries. Faster R-CNN and RetinaNet were compared to determine the box coordinates, while adjusting anchor scales and examining configurations for small objects. A resulting average precision of 32% was obtained for Faster R-CNN and of 36% for RetinaNet. Research outcomes are relevant for trawling map images on the Internet and for enhancing the advanced search of digital map catalogues. Numéro de notice : A2021-651 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/00087041.2020.1738112 date de publication en ligne : 11/09/2020 En ligne : https://doi.org/10.1080/00087041.2020.1738112 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98381 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
030-2021011	SL	Revue	Centre de documentation	Revues en salle	Disponible

A skyline-based approach for mobile augmented reality / Mehdi Ayadi in The Visual Computer, vol 37 n° 4 (April 2021)  

Public [article]  inThe Visual Computer > vol 37 n° 4 (April 2021) . - pp 789 - 804 Titre : A skyline-based approach for mobile augmented reality Type de document : Article/Communication Auteurs : Mehdi Ayadi, Auteur ; Mihaela Scuturici, Auteur ; Chokri Ben Amar, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 789 - 804 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] appariement géométrique [Termes IGN] base de données d'images [Termes IGN] CityGML [Termes IGN] détection de contours [Termes IGN] estimation de pose [Termes IGN] extraction de traits caractéristiques [Termes IGN] Lyon [Termes IGN] modèle 3D de l'espace urbain [Termes IGN] paysage urbain [Termes IGN] réalité augmentée [Termes IGN] superposition d'images [Termes IGN] téléphone intelligent [Termes IGN] vision par ordinateur [Vedettes matières IGN] Géovisualisation Résumé : (auteur) This paper presents a skyline-based approach to enhance the visualization of a new construction project in augmented reality. We propose to process the video stream acquired with a mobile phone to register the real buildings with a 3D city model. We first combine the data acquired with the device’s instruments to estimate a rough user’s pose in the world coordinates system. Then, we use this estimated pose to generate a synthetic image of the user’s view from which we calculate a virtual skyline. In parallel, we extract a real skyline from the real-time video stream. Finally, we match these real and virtual skylines to correct the user’s pose (six degrees of freedom) and thus generate a more realistic augmented reality view. We evaluate the precision and the processing time of our approach using 2D and 3D registration algorithms, as well as with a novel double 2D strategy. Numéro de notice : A2021-342 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.1007/s00371-020-01830-8 date de publication en ligne : 06/03/2020 En ligne : https://doi.org/10.1007/s00371-020-01830-8 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97581 [article]

Connecting images through time and sources: Introducing low-data, heterogeneous instance retrieval / Dimitri Gominski (2021)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Connecting images through time and sources: Introducing low-data, heterogeneous instance retrieval Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Importance : 5 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] base de données d'images [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] descripteur [Termes IGN] données d'apprentissage [Termes IGN] données hétérogènes [Termes IGN] exploration de données [Termes IGN] extraction de traits caractéristiques [Termes IGN] image multi sources [Termes IGN] indexation sémantique [Termes IGN] précision de la classification [Termes IGN] recherche d'image basée sur le contenu Résumé : (auteur) With impressive results in applications relying on feature learning, deep learning has also blurred the line between algorithm and data. Pick a training dataset, pick a backbone network for feature extraction, and voilà; this usually works fora variety of use cases. But the underlying hypothesis that there exists a training dataset matching the use case is not alwaysmet. Moreover, the demand for interconnections regardless of the variations of the content calls for increasing generalization and robustness in features. An interesting application characterized by these problematics is the connection of historical and cultural databases of images.Through the seemingly simple task of instance retrieval, wepropose to show that it is not trivial to pick features respondingwell to a panel of variations and semantic content. Introducing anew enhanced version of the ALEGORIA benchmark, we compare descriptors using the detailed annotations. We further give in sights about the core problems in instance retrieval, testing fourstate-of-the-art additional techniques to increase performance. Numéro de notice : P2021-001 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 21/03/2021 En ligne : https://arxiv.org/pdf/2103.10729.pdf Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97398

Improving traffic sign recognition results in urban areas by overcoming the impact of scale and rotation / Roholah Yazdan in ISPRS Journal of photogrammetry and remote sensing, vol 171 (January 2021)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 171 (January 2021) . - pp 18 - 35 Titre : Improving traffic sign recognition results in urban areas by overcoming the impact of scale and rotation Type de document : Article/Communication Auteurs : Roholah Yazdan, Auteur ; Masood Varshosaz, Auteur Année de publication : 2021 Article en page(s) : pp 18 - 35 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] base de données d'images [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] corrélation à l'aide de traits caractéristiques [Termes IGN] corrélation croisée normalisée [Termes IGN] couple stéréoscopique [Termes IGN] détection automatique [Termes IGN] modèle stéréoscopique [Termes IGN] reconnaissance d'objets [Termes IGN] segmentation d'image [Termes IGN] SIFT (algorithme) [Termes IGN] signalisation routière [Termes IGN] SURF (algorithme) [Termes IGN] Téhéran [Termes IGN] transformation de Hough [Termes IGN] zone urbaine Résumé : (auteur) Automatic detection and recognition of traffic signs have many applications. However, some problems can affect the accuracy of the existing algorithms, such as changes in environmental light conditions, shadows, the presence of objects of the same colour, significant changes in scale and rotation, as well as obstacles in front of the traffic signs. To overcome these difficulties, a reference image database is usually used that includes different modes of appearing the traffic signs in the images. In order to overcome the effects of scale and rotation, in this paper a new method is presented in which only one reference image is needed for each sign to recognise the traffic sign in an image. In the proposed method, imaging is done in stereo. Using the captured image pair, a virtual image is generated which is then used to recognise the sign. As a result, the recognition is carried out with a minimum number of reference images. Experiments show that the proposed algorithm significantly improves recognition results. The traffic signs are recognised with 93.1% accuracy that enjoys a 4.9% improvement over traditional methods. Numéro de notice : A2021-010 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.10.003 date de publication en ligne : 06/11/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.10.003 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96304 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2021011	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2021013	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2021012	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Unifying remote sensing image retrieval and classification with robust fine-tuning / Dimitri Gominski (2021)  

Public Titre : Unifying remote sensing image retrieval and classification with robust fine-tuning Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2021 Importance : 7 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse d'image numérique [Termes IGN] apprentissage profond [Termes IGN] base de données d'images [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] image aérienne à axe vertical [Termes IGN] image aérienne oblique [Termes IGN] jeu de données [Termes IGN] précision de la classification [Termes IGN] recherche d'image basée sur le contenu Résumé : (auteur) Advances in high resolution remote sensing image analysisare currently hampered by the difficulty of gathering enoughannotated data for training deep learning methods, giving riseto a variety of small datasets and associated dataset-specificmethods. Moreover, typical tasks such as classification andretrieval lack a systematic evaluation on standard benchmarksand training datasets, which make it hard to identify durableand generalizable scientific contributions. We aim at uni-fying remote sensing image retrieval and classification witha new large-scale training and testing dataset, SF3001, in-cluding both vertical and oblique aerial images and madeavailable to the research community, and an associated fine-tuning method. We additionally propose a new adversarialfine-tuning method for global descriptors. We show that ourframework systematically achieves a boost of retrievalandclassification performance on nine different datasets com-pared to an ImageNet pretrained baseline, with currently noother method to compare to. Numéro de notice : P2021-003 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans En ligne : https://arxiv.org/abs/2102.13392 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97283

Privacy-aware visualization of volunteered geographic information (VGI) to analyze spatial activity: A benchmark implementation / Alexander Dunkel in ISPRS International journal of geo-information, vol 9 n° 10 (October 2020)  

Permalink

A worldwide 3D GCP database inherited from 20 years of massive multi-satellite observations / Laure Chandelier in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-2 (August 2020)  

Permalink

Indoor positioning using PnP problem on mobile phone images / Hana Kubickova in ISPRS International journal of geo-information, vol 9 n° 6 (June 2020)  

Permalink

Automated terrain feature identification from remote sensing imagery: a deep learning approach / Wenwen Li in International journal of geographical information science IJGIS, vol 34 n° 4 (April 2020)  

Permalink

Challenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)  

Permalink

Google Earth Engine applications / Lalit Kumar (2019)  

Permalink

Image based rendering of large historical image collections / Evelyn Paiz-Reyes (2019)    

Permalink

Machine learning for image segmentation / Kaiwen Chang (2019)  

Permalink

Raffinement de la localisation d’images provenant de sites participatifs pour la mise à jour de SIG urbain / Bernard Semaan (2018)  

Permalink

Réseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne / Jean Ogier du Terrail (2018)  

Permalink