Descripteur
Termes IGN > mathématiques > statistique mathématique > probabilités > stochastique > modèle stochastique > modèle graphique > champ aléatoire de Markov
champ aléatoire de MarkovSynonyme(s)MrfVoir aussi |
Documents disponibles dans cette catégorie (87)
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
Analyse de séries temporelles d’images Sentinel et intégration de connaissances pour la classification en milieu agricole / Simon Bailly (2017)
Titre : Analyse de séries temporelles d’images Sentinel et intégration de connaissances pour la classification en milieu agricole Type de document : Mémoire Auteurs : Simon Bailly , Auteur ; Sébastien Giordano , Encadrant ; Loïc Landrieu , Encadrant ; Nesrine Chehata , Encadrant ; Olivier Michel, Encadrant Editeur : Grenoble : Institut National Polytechnique de Grenoble INPG Année de publication : 2017 Importance : 59 p. Note générale : bibliographie
Projet de Fin d’Etudes, Grenoble INP - PhelmaLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] Alpes-de-haute-provence (04)
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] classification dirigée
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] occupation du sol
[Termes IGN] parcelle agricole
[Termes IGN] Registre parcellaire graphique
[Termes IGN] Seine-et-Marne (77)Résumé : (auteur) Le sujet de stage propose l’utilisation d’images fournies par les satellites Sentinel pour l’étude de l’occupation du sol en milieu agricole. Dans le cadre de la refonte de la politique agricole commune (PAC) de l’Union Européenne en 2020, chaque état membre de l’UE doit proposer une réflexion sur de nouveaux modes de gestion. Une piste de travail envisagée concerne la déclaration des types de culture au sein du Registre Parcellaire Graphique (RPG), un système d’information géographique qui regroupe l’ensemble des informations relatives aux parcelles agricoles. A l’heure actuelle, cette déclaration est faite manuellement par les agriculteurs ; l’objectif est de l’automatiser le plus possible grâce aux images Sentinel. Nous proposons pour cela un processus fondé sur la classification supervisée de séries temporelles d’images Sentinel multi-capteurs (radar et optique), en utilisant le RPG pour l’apprentissage et pour la validation. Nous réalisons une étude sur deux zones distinctes qui présentent des règles agronomiques différentes (Alpes de Haute-Provence et Seine et Marne), avec la nomenclature la plus complète possible (28 types de culture), dans l’optique d’une implantation France Entière. Dans le but d’améliorer la robustesse du modèle, nous choisissons d’intégrer l’information relative aux rotations de culture (suite de cultures échelonnées au fil des années sur une même parcelle). Il s’agit donc d’un problème de classification structurée que nous modélisons comme un champ aléatoire conditionnel (CRF). Nous obtenons des résultats intéressants dans l’optique de l’automatisation du processus de déclaration : 96,9% de bonne classification sur la zone située en Seine et Marne (11 classes) et 64,9% sur la zone située dans les Alpes de Haute-Provence (17 classes). Ces résultats sont d’autre part sensiblement améliorés avec l’intégration de la structure temporelle relative aux rotations de culture. Note de contenu : Introduction
1- Données et sites d'étude
2- Etat de l'art
3- Classification à la parcelle
4- Classification structurée
ConclusionNuméro de notice : 17323 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire ingénieur Organisme de stage : MATIS (IGN) DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98347 Documents numériques
peut être téléchargé
Analyse de séries temporelles d’images Sentinel ... - pdf auteurAdobe Acrobat PDF Comparison of belief propagation and graph-cut approaches for contextual classification of 3D LIDAR point cloud data / Loïc Landrieu (2017)
Titre : Comparison of belief propagation and graph-cut approaches for contextual classification of 3D LIDAR point cloud data Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Clément Mallet , Auteur ; Martin Weinmann, Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2017 Autre Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Projets : 1-Pas de projet / Conférence : IGARSS 2017, IEEE International Geoscience And Remote Sensing Symposium 23/07/2017 28/07/2017 Fort Worth Texas - Etats-Unis Proceedings IEEE Importance : pp 2768 - 2771 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] algorithme Graph-Cut
[Termes IGN] analyse comparative
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] classification par maximum de vraisemblance
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] inférence
[Termes IGN] semis de points
[Termes IGN] test de performance
[Termes IGN] théorie de Dempster-ShaferRésumé : (auteur) In this paper, we focus on the classification of lidar point cloud data acquired via mobile laser scanning, whereby the classification relies on a context model based on a Conditional Random Field (CRF). We present two approximate inference algorithms based on belief propagation, as well as a graph-cut-based approach not yet applied in this context. To demonstrate the performance of our approach, we present the classification results derived for a standard benchmark dataset. These results clearly indicate that the graph-cut-based method is able to retrieve a labeling of higher likelihood in only a fraction of the time needed for the other approaches. The higher likelihood, in turn, translates into a significant gain in the accuracy of the obtained classification. Numéro de notice : C2017-026 Affiliation des auteurs : IGN+Ext (2012-2019) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2017.8127571 Date de publication en ligne : 04/12/2017 En ligne : https://doi.org/10.1109/IGARSS.2017.8127571 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89289 Documents numériques
en open access
Comparison of belief propagation ... - postprintAdobe Acrobat PDF Hyperspectral image classification with canonical correlation forests / Junshi Xia in IEEE Transactions on geoscience and remote sensing, vol 55 n° 1 (January 2017)
[article]
Titre : Hyperspectral image classification with canonical correlation forests Type de document : Article/Communication Auteurs : Junshi Xia, Auteur ; Naoto Yokoya, Auteur ; Akira Iwasaki, Auteur Année de publication : 2017 Article en page(s) : pp 421 - 431 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse canonique
[Termes IGN] analyse en composantes indépendantes
[Termes IGN] champ aléatoire de Markov
[Termes IGN] classificateur
[Termes IGN] classification
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image hyperspectrale
[Termes IGN] Rotation Forest classificationRésumé : (Auteur) Multiple classifier systems or ensemble learning is an effective tool for providing accurate classification results of hyperspectral remote sensing images. Two well-known ensemble learning classifiers for hyperspectral data are random forest (RF) and rotation forest (RoF). In this paper, we proposed to use a novel decision tree (DT) ensemble method, namely, canonical correlation forest (CCF). More specifically, several individual canonical correlation trees (CCTs) that are binary DTs, which use canonical correlation components for the hyperplane splitting, are used to construct the CCF. Additionally, we adopt the projection bootstrap technique in CCF, in which the full spectral bands are retained for split selection in the projected space. The techniques aforementioned allow the CCF to improve the accuracy of member classifiers and diversity within the ensemble. Furthermore, the CCF is extended to the spectral-spatial frameworks that incorporate Markov random fields, extended multiattribute profiles (EMAPs), and the ensemble of independent component analysis and rolling guidance filter (E-ICA-RGF). Experimental results on six hyperspectral data sets are used to indicate the comparative effectiveness of the proposed method, in terms of accuracy and computational complexity, compared with RF and RoF, and it turns out that CCF is a promising approach for hyperspectral image classification not only with spectral information but also in the spectral-spatial frameworks. Numéro de notice : A2017-021 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2607755 En ligne : https://doi.org/10.1109/TGRS.2016.2607755 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83953
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 1 (January 2017) . - pp 421 - 431[article]Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR / Stéphane Guinard (2017)
Titre : Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR Titre original : Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds Type de document : Article/Communication Auteurs : Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur ; Bruno Vallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2017 Conférence : ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur 12/06/2017 16/06/2017 Colleville-sur-Mer France open access proceedings Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] carte de confiance
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] scène urbaine
[Termes IGN] segmentation
[Termes IGN] semis de pointsRésumé : (auteur) Nous traitons le problème de la classification sémantique de nuages de points 3D LIDAR pour les scènes urbaines à partir d'un jeu d'apprentissage limité. Nous introduisons un modèle de segmentation non paramétrique pour les scènes urbaines formées par des objets anthropiques de formes simples. Notre modèle segmente la scène en régions géométriquement homogènes dont la taille est automatiquement déterminée par la complexité de la géométrie locale. Cette segmentation peut ensuite être intégrée dans un CRF (Conditional Random Field) afin de modéliser la structure globale de la scène. Cela nous permet d'agréger, pour chaque groupe de points, les prédictions bruitées d'une classification faiblement supervisée. Nous démontrons l'efficacité de notre méthode sur deux jeux de données en accès libre. Numéro de notice : C2017-033 Affiliation des auteurs : LASTIG MATIS (2012-2019) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://orasis2017.sciencesconf.org/139242/document Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89297 Random-walker-based collaborative learning for hyperspectral image classification / Bin Sun in IEEE Transactions on geoscience and remote sensing, vol 55 n° 1 (January 2017)
[article]
Titre : Random-walker-based collaborative learning for hyperspectral image classification Type de document : Article/Communication Auteurs : Bin Sun, Auteur ; Xudong Kang, Auteur ; Shutao Li, Auteur ; Jon Atli Benediktsson, Auteur Année de publication : 2017 Article en page(s) : pp 212 - 222 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] champ aléatoire de Markov
[Termes IGN] classification
[Termes IGN] image hyperspectraleRésumé : (Auteur) Active learning (AL) and semisupervised learning (SSL) are both promising solutions to hyperspectral image classification. Given a few initial labeled samples, this work combines AL and SSL in a novel manner, aiming to obtain more manually labeled and pseudolabeled samples and use them together with the initial labeled samples to improve the classification performance. First, based on a comparison of the segmentation and spectral-spatial classification results obtained by random walker (RW) and extended RW (ERW) algorithms, the unlabeled samples are separated into two different sets, i.e., low- and high-confidence unlabeled data sets. For the high-confidence unlabeled data, pseudolabeling is performed, which can ensure the correctness and informativeness of the pseudolabeled samples. For the low-confidence unlabeled data, AL is used to select samples. In this way, the samples which are more effective for improvement of classification performance can be labeled in only a few iterations. Finally, with the learned training set and the original hyperspectral image as inputs, the ERW classifier is used to obtain the final classification result. Experiments performed on three real hyperspectral data sets show that the proposed method can achieve competitive classification accuracy even with a very limited number of manually labeled samples. Numéro de notice : A2017-019 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2604290 En ligne : https://doi.org/10.1109/TGRS.2016.2604290 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83950
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 1 (January 2017) . - pp 212 - 222[article]Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)PermalinkMarkov random field-based method for super-resolution mapping of forest encroachment from remotely sensed ASTER image / L. K. Tiwari in Geocarto international, vol 31 n° 3 - 4 (March - April 2016)PermalinkModelling forest canopy trends with on-demand spatial simulation / Gordon M. Green in International journal of geographical information science IJGIS, vol 30 n° 1-2 (January - February 2016)PermalinkUnsupervised segmentation of high-resolution remote sensing images based on classical models of the visual receptive field / Miaozhong Xu in Geocarto international, vol 30 n° 9 - 10 (October - November 2015)PermalinkSpectral–spatial classification for hyperspectral data using rotation forests with local feature extraction and markov random fields / Junshi Xia in IEEE Transactions on geoscience and remote sensing, vol 53 n° 5 (mai 2015)PermalinkSupervised spectral–spatial hyperspectral image classification with weighted markov random fields / Le Sun in IEEE Transactions on geoscience and remote sensing, vol 53 n° 3 (March 2015)PermalinkAn intelligent approach towards automatic shape modelling and object extraction from satellite images using cellular automata based algorithm / P. V. Arun in Geocarto international, vol 29 n° 5 - 6 (August - October 2014)PermalinkA class of cloud detection algorithms based on a MAP-MRF approach in space and time / Gemine Vivone in IEEE Transactions on geoscience and remote sensing, vol 52 n° 8 Tome 2 (August 2014)PermalinkCloud removal for remotely sensed images by similar pixel replacement guided with a spatio-temporal MRF model / Qing Cheng in ISPRS Journal of photogrammetry and remote sensing, vol 92 (June 2014)PermalinkContextual classification of lidar data and building object detection in urban areas / Joachim Niemeyer in ISPRS Journal of photogrammetry and remote sensing, vol 87 (January 2014)Permalink