Centre dedocumentation
scientifique

Large-scale burn severity mapping in multispectral imagery using deep semantic segmentation models / Xikun Hu in ISPRS Journal of photogrammetry and remote sensing, vol 196 (February 2023)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 196 (February 2023) . - pp 228 - 240 Titre : Large-scale burn severity mapping in multispectral imagery using deep semantic segmentation models Type de document : Article/Communication Auteurs : Xikun Hu, Auteur ; Puzhao Zhang, Auteur ; Yifang Ban, Auteur Année de publication : 2023 Article en page(s) : pp 228 - 240 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] carte thématique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] dommage [Termes IGN] image Landsat-ETM+ [Termes IGN] image Landsat-OLI [Termes IGN] image Landsat-TM [Termes IGN] image multibande [Termes IGN] image Sentinel-MSI [Termes IGN] incendie de forêt [Termes IGN] jeu de données localisées [Termes IGN] segmentation sémantique [Termes IGN] surveillance forestière [Termes IGN] zone sinistrée Résumé : (auteur) Nowadays Earth observation satellites provide forest fire authorities and resource managers with spatial and comprehensive information for fire stabilization and recovery. Burn severity mapping is typically performed by classifying bi-temporal indices (e.g., dNBR, and RdNBR) using thresholds derived from parametric models incorporating field-based measurements. Analysts are currently expending considerable manual effort using prior knowledge and visual inspection to determine burn severity thresholds. In this study, we aim to employ highly automated approaches to provide spatially explicit damage level estimates. We first reorganize a large-scale Landsat-based bi-temporal burn severity assessment dataset (Landsat-BSA) by visual data cleaning based on annotated MTBS data (approximately 1000 major fire events in the United States). Then we apply state-of-the-art deep learning (DL) based methods to map burn severity based on the Landsat-BSA dataset. Experimental results emphasize that multi-class semantic segmentation algorithms can approximate the threshold-based techniques used extensively for burn severity classification. UNet-like models outperform other region-based CNN and Transformer-based models and achieve accurate pixel-wise classification results. Combined with the online hard example mining algorithm to reduce class imbalance issue, Attention UNet achieves the highest mIoU (0.78) and the highest Kappa coefficient close to 0.90. The bi-temporal inputs with ancillary spectral indices work much better than the uni-temporal multispectral inputs. The restructured dataset will be publicly available and create opportunities for further advances in remote sensing and wildfire communities. Numéro de notice : A2023-122 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.12.026 Date de publication en ligne : 11/01/2023 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.12.026 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102498 [article]

CDPS: Constrained DTW-Preserving Shapelets / Hussein El Amouri (2023)  

Public Titre : CDPS: Constrained DTW-Preserving Shapelets Type de document : Article/Communication Auteurs : Hussein El Amouri, Auteur ; Thomas Lampert, Auteur ; Pierre Gançarski, Auteur ; Clément Mallet , Auteur Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2023 Collection : Lecture notes in Computer Science Sous-collection : Lecture Notes in Artificial Intelligence num. 13713 Projets : HIATUS / Giordano, Sébastien Conférence : ECML PKDD 2022, European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 19/09/2022 23/09/2022 Grenoble France Proceedings Springer Projets : HERELLES / Gançarski, Pierre Importance : pp 21 - 37 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] analyse de données [Termes IGN] analyse de groupement [Termes IGN] classification [Termes IGN] déformation temporelle dynamique (algorithme) [Termes IGN] distance euclidienne [Termes IGN] jeu de données localisées [Termes IGN] série temporelle [Termes IGN] traitement de données localisées [Termes IGN] transformation Résumé : (auteur) The analysis of time series for clustering and classification is becoming ever more popular because of the increasingly ubiquitous nature of IoT, satellite constellations, and handheld and smart-wearable devices, etc. The presence of phase shift, differences in sample duration, and/or compression and dilation of a signal means that Euclidean distance is unsuitable in many cases. As such, several similarity measures specific to time-series have been proposed, Dynamic Time Warping (DTW) being the most popular. Nevertheless, DTW does not respect the axioms of a metric and therefore Learning DTW-Preserving Shapelets (LDPS) have been developed to regain these properties by using the concept of shapelet transform. LDPS learns an unsupervised representation that models DTW distances using Euclidean distance in shapelet space. This article proposes constrained DTW-preserving shapelets (CDPS), in which a limited amount of user knowledge is available in the form of must link and cannot link constraints, to guide the representation such that it better captures the user’s interpretation of the data rather than the algorithm’s bias. Subsequently, any unconstrained algorithm can be applied, e.g. K-means clustering, k-NN classification, etc, to obtain a result that fulfils the constraints (without explicit knowledge of them). Furthermore, this representation is generalisable to out-of-sample data, overcoming the limitations of standard transductive constrained-clustering algorithms. CLDPS is shown to outperform the state-of-the-art constrained-clustering algorithms on multiple time-series datasets. Numéro de notice : C2022-052 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE/INFORMATIQUE/MATHEMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1007/978-3-031-26387-3_2 Date de publication en ligne : 17/03/2023 En ligne : https://doi.org/10.1007/978-3-031-26387-3_2 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103157

GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates / Valerio Marsocci (2023)  

Public Titre : GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates Type de document : Article/Communication Auteurs : Valerio Marsocci, Auteur ; Nicolas Gonthier, Auteur ; Anatol Garioud , Auteur ; Simone Scardapane, Auteur ; Clément Mallet , Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2023 Conférence : CVPR 2023, IEEE Conference on Computer Vision and Pattern Recognition workshops 18/06/2023 22/06/2023 Vancouver Colombie britannique - Canada OA Proceedings Importance : 11 p. Format : 21 x 30 cm Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] base de données d'occupation du sol [Termes IGN] image à très haute résolution [Termes IGN] jeu de données localisées [Termes IGN] métadonnées géographiques [Termes IGN] segmentation sémantique Résumé : (auteur) Land cover maps are a pivotal element in a wide range of Earth Observation (EO) applications. However, annotating large datasets to develop supervised systems for remote sensing (RS) semantic segmentation is costly and time-consuming. Unsupervised Domain Adaption (UDA) could tackle these issues by adapting a model trained on a source domain, where labels are available, to a target domain, without annotations. UDA, while gaining importance in computer vision, is still under-investigated in RS. Thus, we propose a new lightweight model, GeoMultiTaskNet, based on two contributions: a GeoMultiTask module (GeoMT), which utilizes geographical coordinates to align the source and target domains, and a Dynamic Class Sampling (DCS) strategy, to adapt the semantic segmentation loss to the frequency of classes. This approach is the first to use geographical metadata for UDA in semantic segmentation. It reaches state-of-the-art performances (47,22% mIoU), reducing at the same time the number of parameters (33M), on a subset of the FLAIR dataset, a recently proposed dataset properly shaped for RS UDA, used for the first time ever for research scopes here. Numéro de notice : C2023-004 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication DOI : 10.48550/arXiv.2304.07750 En ligne : https://doi.org/10.48550/arXiv.2304.07750 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103083

Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) / Yizi Chen (2023)  

Public Titre : Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) Titre original : Vectorisation et alignement modernes des cartes historiques : Une application à l'Atlas de Paris (1789-1950) Type de document : Thèse/HDR Auteurs : Yizi Chen , Auteur ; Julien Perret , Directeur de thèse ; Joseph Chazalon, Directeur de thèse ; Clément Mallet , Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2023 Importance : 124 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] alignement des données [Termes IGN] apprentissage profond [Termes IGN] carte ancienne [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] contraste local [Termes IGN] extraction automatique [Termes IGN] jeu de données localisées [Termes IGN] morphologie mathématique [Termes IGN] Paris (75) [Termes IGN] plan de ville [Termes IGN] reconnaissance de formes [Termes IGN] vectorisation [Termes IGN] vision par ordinateur Index. décimale : THESE Thèses et HDR Résumé : (auteur) Les cartes sont une source unique de connaissances depuis des siècles. Ces documents historiques fournissent des informations inestimables pour analyser des transformations spatiales complexes sur des périodes importantes. Cela est particulièrement vrai pour les zones urbaines qui englobent de multiples domaines de recherche imbriqués : humanités, sciences sociales, etc. La complexité des cartes (texte, bruit, artefacts de numérisation, etc.) a entravé la capacité à proposer des approches de vectorisation polyvalentes et efficaces pendant des décennies. Dans cette thèse, nous proposons une solution apprenable, reproductible et réutilisable pour la transformation automatique de cartes raster en objets vectoriels (îlots, rues, rivières), en nous focalisant sur le problème d'extraction de formes closes. Notre approche s'appuie sur la complémentarité des réseaux de neurones convolutifs qui excellent dans et de la morphologie mathématique, qui présente de solides garanties au regard de l'extraction de formes closes tout en étant très sensible au bruit. Afin d'améliorer la robustesse au bruit des filtres convolutifs, nous comparons plusieurs fonctions de coût visant spécifiquement à préserver les propriétés topologiques des résultats, et en proposons de nouvelles. À cette fin, nous introduisons également un nouveau type de couche convolutive (CConv) exploitant le contraste des images, pour explorer les possibilités de telles améliorations à l'aide de transformations architecturales des réseaux. Finalement, nous comparons les différentes approches et architectures qui peuvent être utilisées pour implémenter chaque étape de notre chaîne de traitements, et comment combiner ces dernières de la meilleure façon possible. Grâce à une chaîne de traitement fonctionnelle, nous proposons une nouvelle procédure d'alignement d'images de plans historiques, et commençons à tirer profit de la redondance des données extraites dans des images similaires pour propager des annotations, améliorer la qualité de la vectorisation, et éventuellement détecter des cas d'évolution en vue d'analyse thématique, ou encore l'estimation automatique de la qualité de la vectorisation. Afin d'évaluer la performance des méthodes mentionnées précédemment, nous avons publié un nouveau jeu de données composé d'images de plans historiques annotées. C'est le premier jeu de données en libre accès dédié à la vectorisation de plans historiques. Nous espérons qu'au travers de nos publications, et de la diffusion ouverte et publique de nos résultats, sources et jeux de données, cette recherche pourra être utile à un large éventail d'applications liées aux cartes historiques. Note de contenu : 1- Introduction 2- Pipeline design for historical map vectorization 3- Learning edges through deep neural architectures 4- Topology-aware loss functions 5- Improving model robustness of deep edge detectors 6- Leveraging redundancies of historical maps 7- Conclusion and perspectives Numéro de notice : 10713 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de doctorat : Sciences géographiques : UGE : 2023 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-04106107 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103264

Identifying the key resources and missing elements to build a knowledge graph dedicated to spatial dataset search / Mehdi Zrhal in Procedia Computer Science, vol 207 (2022)  

Public [article]  inProcedia Computer Science > vol 207 (2022) . - pp 2911 - 2920 Titre : Identifying the key resources and missing elements to build a knowledge graph dedicated to spatial dataset search Type de document : Article/Communication Auteurs : Mehdi Zrhal , Auteur ; Bénédicte Bucher , Auteur ; Fayçal Hamdi , Auteur ; Marie-Dominique Van Damme , Auteur Année de publication : 2022 Projets : 1-Pas de projet / Gançarski, Pierre Conférence : KES 2022, 26th International Conference Knowledge-Based and Intelligent Information & Engineering Systems 07/09/2022 09/09/2022 Vérone Italie OA proceedings Article en page(s) : pp 2911 - 2920 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] jeu de données localisées [Termes IGN] recherche d'information géographique [Termes IGN] réseau sémantique Résumé : (auteur) The number of spatial datasets available online has increased exponentially in recent years. Therefore, the search for spatial datasets is becoming a fourishing research field. The use of knowledge graphs has become rampant in search engines and in information retrieval. In this article, we identify the main resources needed and those missing to allow a knowledge graph to support spatial dataset search. We then apply our approach to the water domain in France by building a dedicated knowledge graph and describe an evaluation method to measure its effectiveness. Numéro de notice : A2022-695 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.procs.2022.09.349 Date de publication en ligne : 19/10/2022 En ligne : https://doi.org/10.1016/j.procs.2022.09.349 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101910 [article]

Street-view imagery guided street furniture inventory from mobile laser scanning point clouds / Yuzhou Zhou in ISPRS Journal of photogrammetry and remote sensing, vol 189 (July 2022)  

Permalink

HiPerMovelets: high-performance movelet extraction for trajectory classification / Tarlis Tortelli Portela in International journal of geographical information science IJGIS, vol 36 n° 5 (May 2022)  

Permalink

Cartographie et caractérisation des lieux d'intérêt de cervidés en milieu forestier / Laurence Jolivet in Cartes & Géomatique, n° 247-248 (mars-juin 2022)

Permalink

Evaluating Sentinel-1A datasets for rice leaf area index estimation based on machine learning regression models / Lamin R. Mansaray in Geocarto international, vol 37 n° 5 ([01/03/2022])  

Permalink

Évaluation des apports de l’apprentissage profond au sein d’un service dédié à la numérisation du patrimoine / Maxime Mérizette in XYZ, n° 170 (mars 2022)

Permalink

ReBankment : un algorithme pour déplacer les talus sur les cartes par moindres carrés / Guillaume Touya in Cartes & Géomatique, n° 247-248 (mars-juin 2022)

Permalink

Developing the potential of airborne lidar systems for the sustainable management of forests / Karun Dayal (2022)  

Permalink

FLAIR: French Land cover from Aerial ImageRy - Challenge FLAIR #1: semantic segmentation and domain adaptation / Anatol Garioud (2022)  

Permalink

A method to produce metadata describing and assessing the quality of spatial landmark datasets in mountain area / Marie-Dominique Van Damme (2022)  

Permalink

Monocular depth estimation in forest environments / Hristina Hristova (2022)  

Permalink