Centre dedocumentation
scientifique

A second-order attention network for glacial lake segmentation from remotely sensed imagery / Shidong Wang in ISPRS Journal of photogrammetry and remote sensing, vol 189 (July 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 189 (July 2022) . - pp 289 - 301 Titre : A second-order attention network for glacial lake segmentation from remotely sensed imagery Type de document : Article/Communication Auteurs : Shidong Wang, Auteur ; Maria V. Peppa, Auteur ; Wen Xiao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 289 - 301 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] attention (apprentissage automatique) [Termes IGN] changement climatique [Termes IGN] covariance [Termes IGN] image Landsat-8 [Termes IGN] Inde [Termes IGN] itération [Termes IGN] lac glaciaire [Termes IGN] réflectance de surface [Termes IGN] segmentation d'image [Termes IGN] tenseur Résumé : (auteur) Climate change is increasing the risk of glacial lake outburst floods (GLOFs) in many of the world’s most vulnerable and high mountain regions. Simultaneously, remote sensing technologies now facilitate continuous monitoring of glacial lake evolution around the globe, although accurate and reliable automated glacial lake mapping from satellite data remains challenging. In this study, a Second-order Attention Network (SoAN) is devised for the automated segmentation of lakes from satellite imagery. In particular, a novel Second-order Attention Module (SoAM) is proposed to capture the long-range spatial dependencies and establish channel attention derived from the covariance representations of local features. Furthermore, as the dimensions of the input and output tensors are identical and it simply relies on matrix calculations, the proposed SoAM can be embedded into different positions of a given architecture while maintaining similar reference speed. The designed network is implemented on Landsat-8 imagery and outputs are compared against representative deep learning models, demonstrating improved results with a Dice of 81.02% and a F2 Score of 85.17%. Numéro de notice : A2022-470 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.05.007 Date de publication en ligne : 29/05/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.05.007 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100814 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022071	SL	Revue	Centre de documentation	Revues en salle	Disponible

Representing vector geographic information as a tensor for deep learning based map generalisation / Azelle Courtial (2022)  

Public Titre : Representing vector geographic information as a tensor for deep learning based map generalisation Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Editeur : AGILE Alliance Année de publication : 2022 Conférence : AGILE 2022, 25th international AGILE Conference on Geographic Information Science, Artificial intelligence in the service of geospatial technologies 14/06/2022 17/06/2022 Vilnius Lithuanie OA Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] alignement des données [Termes IGN] apprentissage profond [Termes IGN] architecture de réseau [Termes IGN] bati [Termes IGN] carte topographique [Termes IGN] couche [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] données vectorielles [Termes IGN] information sémantique [Termes IGN] milieu urbain [Termes IGN] route [Termes IGN] tenseur [Vedettes matières IGN] Généralisation Résumé : (auteur) Recently, many researchers tried to generate (generalised) maps using deep learning, and most of the proposed methods deal with deep neural network architecture choices. Deep learning learns to reproduce examples, so we think that improving the training examples, and especially the representation of the initial geographic information, is the key issue for this problem. Our article extracts some representation issues from a literature review and proposes different ways to represent vector geographic information as a tensor. We propose two kinds of contributions: 1) the representation of information by layers; 2) the representation of additional information. Then, we demonstrate the interest of some of our propositions with experiments that show a visual improvement for the generation of generalised topographic maps in urban areas. Numéro de notice : C2022-024 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : https://agile-giss.copernicus.org/articles/3/index.html Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/agile-giss-3-32-2022 En ligne : https://doi.org/10.5194/agile-giss-3-32-2022 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100921

Hyperspectral and multispectral image fusion via graph Laplacian-guided coupled tensor decomposition / Yuanyang Bu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 1 (January 2021) . - pp 648 - 662 Titre : Hyperspectral and multispectral image fusion via graph Laplacian-guided coupled tensor decomposition Type de document : Article/Communication Auteurs : Yuanyang Bu, Auteur ; Yong-Qiang Zhao, Auteur ; Jize Xue, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 648 - 662 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse spectrale [Termes IGN] calcul tensoriel [Termes IGN] équation de Laplace [Termes IGN] fusion d'images [Termes IGN] graphe [Termes IGN] image hyperspectrale [Termes IGN] image multibande [Termes IGN] optimisation (mathématiques) [Termes IGN] tenseur [Termes IGN] théorie des variétés Résumé : (auteur) We propose a novel graph Laplacian-guided coupled tensor decomposition (gLGCTD) model for fusion of hyperspectral image (HSI) and multispectral image (MSI) for spatial and spectral resolution enhancements. The coupled Tucker decomposition is employed to capture the global interdependencies across the different modes to fully exploit the intrinsic global spatial–spectral information. To preserve local characteristics, the complementary submanifold structures embedded in high-resolution (HR)-HSI are encoded by the graph Laplacian regularizations. The global spatial–spectral information captured by the coupled Tucker decomposition and the local submanifold structures are incorporated into a unified framework. The gLGCTD fusion framework is solved by a hybrid framework between the proximal alternating optimization (PAO) and the alternating direction method of multipliers (ADMM). Experimental results on both synthetic and real data sets demonstrate that the gLGCTD fusion method is superior to state-of-the-art fusion methods with a more accurate reconstruction of the HR-HSI. Numéro de notice : A2021-036 Affiliation des auteurs : non IGN Thématique : IMAGERIE/MATHEMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2992788 Date de publication en ligne : 18/05/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2992788 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96738 [article]

Quantification probabiliste des taux de déformation crustale par inversion bayésienne de données GPS / Colin Pagani (2021)  

Public Titre : Quantification probabiliste des taux de déformation crustale par inversion bayésienne de données GPS Type de document : Thèse/HDR Auteurs : Colin Pagani, Auteur ; Thomas Bodin, Directeur de thèse ; Cécile Lasserre, Directeur de thèse ; Marianne Metois, Directeur de thèse Editeur : Lyon : Université de Lyon 1 Claude Bernard Année de publication : 2021 Importance : 182 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat de l'Université de Lyon opérée au sein de l'Université Claude Bernard Lyon 1, spécialité Géophysique, Discipline Sciences de la Terre Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de géodésie spatiale [Termes IGN] Californie (Etats-Unis) [Termes IGN] champ de vitesse [Termes IGN] déformation de la croute terrestre [Termes IGN] données GNSS [Termes IGN] données polarimétriques [Termes IGN] estimation bayesienne [Termes IGN] faille géologique [Termes IGN] inférence statistique [Termes IGN] inversion [Termes IGN] méthode de Monte-Carlo par chaînes de Markov [Termes IGN] risque naturel [Termes IGN] séisme [Termes IGN] tectonique des plaques [Termes IGN] tenseur Index. décimale : THESE Thèses et HDR Résumé : (auteur) Au cours du cycle sismique, la déformation accumulée par la lithosphère terrestre peut être relâchée de manière anélastique lors de séismes provoquant de nombreuses pertes humaines et matérielles. L’analyse du risque sismique passe par l’étude de cette déformation lors des différentes étapes du cycle sismique. En particulier, l’étude géodésique du déplacement de la surface terrestre permet de comprendre et de localiser l’accumulation de la déformation élastique lors des phases intersismiques. Avec l’expansion des réseaux GNSS, il est devenu possible d’obtenir le tenseur du taux de déformation à partir des vitesses de déplacement surfacique dans le but d’étudier et de contraindre la déformation crustale. Or, calculer une surface continue de gradient de déformation à partir de données GNSS discrètes consiste en un problème inverse dont la solution est fortement non-unique. De ce fait, de nombreuses méthodes aux caractéristiques diverses ont vu le jour au cours des dernières décennies, chacune comportant ses avantages et ses inconvénients propres. Cependant, certaines limitations des schémas d’inversion direct employés jusqu’alors persistent et compromettent la fiabilité des résultats. En particulier, la nécessité d’employer des paramètres ad hoc définis par l’opérateur tel qu’un paramètre de lissage, la sensibilité à la géométrie du réseau GNSS et la difficulté à déterminer de manière robuste les incertitudes associées aux résultats, pourtant nécessaires à l’intégration des cartes de déformation dans les méthodes d’analyse du risque sismique. Afin de pallier ces lacunes dans les modèles existants, nous développons une nouvelle méthode bayésienne transdimensionnelle permettant d’inverser des données GNSS discrètes afin d’obtenir le champ 2D continu de vitesse, son gradient et le tenseur de déformation associés. Le champ de vitesse est décrit par une paramétrisation reposant sur la triangulation de Delaunay, et la distribution a posteriori est échantillonnée grâce à un algorithme de Metropolis-Hasting à saut réversible, qui appartient à la classe des McMC. Cet algorithme dispose d’un maillage adaptatif qui prend en compte les hétérogénéités spatiale, de vitesse et de niveau de bruit présentes dans les données. Contrairement aux méthodes d’inversion classiques qui proposent un modèle unique, la solution est une fonction de distribution de probabilité complète pour chaque composante du champ de vitesse de déformation. Des tests synthétiques permettent de comparer l’approche proposée à un schéma d'interpolation en spline bicubique standard. Cette méthode s’avère plus résistante à la présence d’outliers dans les données ainsi qu’à une répartition spatialement hétérogène de celles-ci, tout en fournissant des incertitudes associées aux vitesses et aux taux de déformation récupérés. Elle est ensuite appliquée au sud-ouest des États-Unis, une région fortement étudiée et surveillée, ce qui permet d’obtenir les taux de déformation probabilistes le long des principaux systèmes de failles, y compris celui de San Andreas, à partir de l'inversion des vitesses intersismiques GNSS. Les caractéristiques de plusieurs points clefs de cette région sont représentées grâce à l’exploitation des fonctions de distribution de probabilité a posteriori des différents paramètres inversés. Les limitations actuelles ainsi que les différentes perspectives d’amélioration de cette méthode sont discutées en conclusion de cette thèse. Note de contenu : Introduction générale 1- Méthode : inversion bayésienne du tenseur de déformation 2- Application à des données GNSS synthétiques et au sud-ouest des États-Unis 3- Discussions et perspectives Conclusion générale Numéro de notice : 15193 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Thèse française Note de thèse : Thèse de Doctorat : Géophysique : Lyon 1 : 2021 Organisme de stage : Laboratoire LGL DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03640544/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100631

Spectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches / Ricardo Augusto Borsoi (2021)  

Public Titre : Spectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches Type de document : Thèse/HDR Auteurs : Ricardo Augusto Borsoi, Auteur ; Cédric Richard, Directeur de thèse ; José Carlos Moreira Bermudez, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2021 Importance : 187 p. Format : 21 x 30 cm Note générale : bibliographie Thèse présentée en vue de l'obtention du grade de docteur science pour l’ingénieur de l’Université Côte d'Azur Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse de mélange spectral d’extrémités multiples [Termes IGN] analyse linéaire des mélanges spectraux [Termes IGN] image hyperspectrale [Termes IGN] image multitemporelle [Termes IGN] réseau antagoniste génératif [Termes IGN] signature spectrale [Termes IGN] tenseur Résumé : (auteur) The spectral signatures of the materials contained in hyperspectral images, also called endmembers (EMs), can be significantly affected by variations in atmospheric, illumination or environmental conditions typically occurring within an image. Traditional spectral unmixing (SU) algorithms neglect the spectral variability of the endmembers, what propagates significant mismodeling errors throughout the whole unmixing process and compromises the quality of the estimated abundances. Therefore, significant effort have been recently dedicated to mitigate the effects of spectral variability in SU. However, many challenges still remain in how to best explore a priori information about the problem in order to improve the quality, the robustness and the efficiency of SU algorithms that account for spectral variability. In this thesis, new strategies are developed to address spectral variability in SU. First, an (over)-segmentation-based multiscale regularization strategy is proposed to explore spatial information about the abundance maps more effectively. New algorithms are then proposed for both semi-supervised and blind SU, leading to improved abundance reconstruction performance at a small computational complexity. Afterwards, three new models are proposed to represent spectral variability of the EMs in SU, using parametric, tensor, and neural network-based representations for EM spectra at each image pixel. The parametric model introduces pixel-dependent scaling factors over a reference EM matrix to model arbitrary spectral variability, while the tensor-based representation allows one to exploit the high-dimensional nature of the data by means of its underlying low-rank structure. Generative neural networks (such as variational autoencoders or generative adversarial networks) finally allow one to model the low-dimensional manifold of the spectral signatures of the materials more effectively. The proposed models are used to devise three new blind SU algorithms, and to perform data augmentation in library-based SU. Finally, we provide a brief overview of work which extends the proposed strategies to new problems in SU and in hyperspectral image analysis. This includes the use of the multiscale abundance regularization in nonlinear SU, modeling spectral variability and accounting for sudden changes when performing SU and change detection of multitemporal hyperspectral images, and also accounting for spectral variability and changes in the multimodal (i.e., hyperspectral and multispectral) image fusion problem. Note de contenu : 1- Introduction 2- Origin of linear mixing model spectral variability in hyperspectral images 3- A ultiscale spatial regularization for fast unmixing with spectral librairies 4- A data dependent multiscale model for spectral unmixing with specral variability 5- Generalized linear mixing model accounting for endmember variability 6- Low-rank tensor modeling for spectral unmixing accounting for spectral variability 7- Deep generative endmembers modeling: An application to unsupervised spectral unmixing 8- Deep generative models for library augmentation in multiple endmember spectral mixture analysis 9- And now for something different... 10- Conclusions Numéro de notice : 28487 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : thèse de Doctorat : Sciences pour l'Ingénieur : Côte d'Azur : 2021 Organisme de stage : Laboratoire J.-L. Lagrange, Observatoire de la Côte d’Azur DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03253631/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99188

Temporal calibration and synchronization of robotic total stations for kinematic multi-sensor-systems / Tomas Thalmann in Journal of applied geodesy, vol 15 n° 1 (January 2021)  

Permalink

A discriminative tensor representation model for feature extraction and classification of multispectral LiDAR data / Qingwang Wang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)  

Permalink

Generalized tensor regression for hyperspectral image classification / Jianjun Liu in IEEE Transactions on geoscience and remote sensing, vol 58 n° 2 (February 2020)  

Permalink

Unmanned aerial system multispectral mapping for low and variable solar irradiance conditions: Potential of tensor decomposition / Sheng Wang in ISPRS Journal of photogrammetry and remote sensing, vol 155 (September 2019)  

Permalink

Potentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne / Florent Abdelghafour (2019)  

Permalink

Robust object-based multipass InSAR deformation reconstruction / Jian Kang in IEEE Transactions on geoscience and remote sensing, vol 55 n° 8 (August 2017)  

Permalink

An adaptive weighted tensor completion method for the recovery of remote sensing images with missing data / Michael Kwok-Po Ng in IEEE Transactions on geoscience and remote sensing, vol 55 n° 6 (June 2017)  

Permalink

A tensor decomposition-based anomaly detection algorithm for hyperspectral image / Xing Zhang in IEEE Transactions on geoscience and remote sensing, vol 54 n° 10 (October 2016)  

Permalink

Mesure de robustesse d'un réseau géodésique 3D : cas du réseau GPS de la ville d'Oran (Algérie) / Bachir Gourine in XYZ, n° 147 (juin - août 2016) 

Permalink

A multidimensional extension of the concept of coherence in polarimetric SAR interferometry / Jose Luis Alvarez-Perez in IEEE Transactions on geoscience and remote sensing, vol 53 n° 3 (March 2015)  

Permalink