Centre dedocumentation
scientifique

Tree annotations in LiDAR data using point densities and convolutional neural networks / Ananya Gupta in IEEE Transactions on geoscience and remote sensing, vol 58 n° 2 (February 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 2 (February 2020) . - pp 971 - 981 Titre : Tree annotations in LiDAR data using point densities and convolutional neural networks Type de document : Article/Communication Auteurs : Ananya Gupta, Auteur ; Jonathan Byrne, Auteur ; David Moloney, Auteur Année de publication : 2020 Article en page(s) : pp 971 - 981 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données lidar [Termes IGN] Dublin (Irlande ; ville) [Termes IGN] extraction d'arbres [Termes IGN] image spectrale [Termes IGN] Montréal (Québec) [Termes IGN] segmentation [Termes IGN] segmentation sémantique [Termes IGN] semis de points [Termes IGN] voxel [Termes IGN] zone urbaine Résumé : (auteur) LiDAR provides highly accurate 3-D point clouds. However, data need to be manually labeled in order to provide subsequent useful information. Manual annotation of such data is time-consuming, tedious, and error prone, and hence, in this article, we present three automatic methods for annotating trees in LiDAR data. The first method requires high-density point clouds and uses certain LiDAR data attributes for the purpose of tree identification, achieving almost 90% accuracy. The second method uses a voxel-based 3-D convolutional neural network on low-density LiDAR data sets and is able to identify most large trees accurately but struggles with smaller ones due to the voxelization process. The third method is a scaled version of the PointNet++ method and works directly on outdoor point clouds and achieves an F score of 82.1% on the ISPRS benchmark data set, comparable to the state-of-the-art methods but with increased efficiency. Numéro de notice : A2020-095 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2942201 Date de publication en ligne : 11/10/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2942201 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94658 [article]

Deep learning for semantic feature extraction in aerial imagery / Ananya Gupta (2020)  

Public Titre : Deep learning for semantic feature extraction in aerial imagery Type de document : Thèse/HDR Auteurs : Ananya Gupta, Auteur ; Hujun Yin, Directeur de thèse ; Simon Watson, Directeur de thèse Editeur : Manchester [Royaume-Uni] : University of Manchester Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : bibliographie A thesis submitted to the University of Manchester for the degree of Doctor of Philosophy in the faculty of Science and engineering Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] apprentissage profond [Termes IGN] cartographie d'urgence [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'arbres [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] Dublin (Irlande ; ville) [Termes IGN] extraction de traits caractéristiques [Termes IGN] image à très haute résolution [Termes IGN] image aérienne [Termes IGN] image multitemporelle [Termes IGN] OpenStreetMap [Termes IGN] réseau routier [Termes IGN] segmentation sémantique [Termes IGN] semis de points [Termes IGN] voxel Index. décimale : THESE Thèses et HDR Résumé : (auteur) Remote sensing provides image and LiDAR data that can be useful for a number of tasks such as disaster mapping and surveying. Deep learning (DL) has been shown to provide good results in extracting knowledge from input data sources by the means of learning intermediate representation features. However, popular DL methods require large scaled datasets for training which are costly and time-consuming to obtain. This thesis investigates semantic knowledge extraction from remote sensing data using DL methods in regimes with limited labelled data. Firstly, semantic segmentation methods are compared and analysed on the task of aerial image segmentation. It is shown that pretraining on ImageNet improves the segmentation results despite the domain shift between ImageNet images and aerial images. A framework for mapping road networks in disaster struck areas is proposed. It uses pre and post disaster imagery and labels from OpenStreetMaps (OSM), forgoing the need for costly manually labelled data. Graph-based methods are used to update the pre-existing road maps from OSM. Experiments on a disaster dataset from Palu, Indonesia show the efficacy of the proposed method. A method for semantic feature extraction from aerial imagery is proposed which is shown to work well for multitemporal high resolution image registration. These feature are able to deal with temporal variations caused by seasonal changes. Methods for tree identification in LiDAR data have been proposed to overcome the need for manually labelled data. The first method works on high density point clouds and uses certain LiDAR data attributes for tree identification, achieving almost 90% accuracy. The second uses a voxel based 3D Convolutional Neural Network on low density LiDAR datasets and is able to identify most large trees. The third method is a scaled version of PointNet++ and achieves an F_score of 82.1 on the ISPRS benchmark, comparable to the state of the art methods but with increased efficiency. Finally, saliency methods used for explainability in image analysis are extended to work on 3D point clouds and voxel-based networks to help aid explainability in this area. It is shown that edge and corner features are deemed important by these networks for classification. These features are also demonstrated to be inherently sparse and pruned easily. Note de contenu : 1- Introduction 2- Background and Literature Review 3- Aerial Image Segmentation with Open Data 4- Aerial Image Registration 5- Tree Annotations in LiDAR Data 6- 3D Point Cloud Feature Explanations 7- Conclusions and Future Work Numéro de notice : 28302 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse étrangère Note de thèse : PhD Thesis : Science and Engineering : University of Manchester : 2020 DOI : sans En ligne : https://www.research.manchester.ac.uk/portal/files/184627877/FULL_TEXT.PDF Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98051

WeCount, le trafic compté par les citoyens / Victor Oxombre (2020) 

Public Titre : WeCount, le trafic compté par les citoyens Type de document : Mémoire Auteurs : Victor Oxombre, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2020 Importance : 34 p. Format : 21 x 30 cm Note générale : Bibliographie Rapport de projet pluridisciplinaire, cycle ING2 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] bicyclette [Termes IGN] comptage [Termes IGN] détection d'objet [Termes IGN] détection de piéton [Termes IGN] Dublin (Irlande ; ville) [Termes IGN] image infrarouge [Termes IGN] image thermique [Termes IGN] Raspberry Pi [Termes IGN] temps réel [Termes IGN] trafic routier [Termes IGN] visualisation de données Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) L’objectif principal du projet Européen WeCount est d’optimiser le processus de comptage du trafic en direct en dotant les communautés locales de capteurs à faible coût. Le projet fournira aux communautés locales de 5 villes Européennes des capteurs entièrement automatisés, appelés Telraam, capables de compter les voitures, les piétons, les vélos et les véhicules lourds. Le Spatial Dynamics Lab a pour mission d’impliquer les communautés locales dans des activités de science citoyenne avec le capteur dans les rues de Dublin. Mon superviseur Mr Francesco PILLA, le directeur du laboratoire, souhaite apporter des améliorations sur le capteur. Ces modifications permettront d’avoir un comptage durant la journée et la nuit, et une meilleure qualité de comptage. Ainsi, des données plus significatives sur le trafic en direct seront envoyées au gouvernement local. Pour cela, une étude documentaire sera effectuée sur la possibilité de détecter des objets de nuit. Ensuite, la faisabilité pratique de la théorie sera étudiée. Enfin, une plate-forme de visualisation locale sera mise en place. Note de contenu : Introduction 1. Détection d’objets par la caméra et installation 1.1 Détection d’objets en vidéo 1.2 Choix de caméra 1.3 Installation du capteur 2. Comptage avec le Telraam 2.1 Détection et traçage d’objets du Telraam 2.2 Adaptation à une caméra infrarouge 2.3 Détection de nuit 3. Version locale de Kepler.gl 3.1 Principe de Kepler.gl 3.2 React et Redux 3.3 Site obtenu Conclusion Numéro de notice : 26354 Affiliation des auteurs : non IGN Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Spatial Dynamics Lab Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95785

Documents numériques

peut être téléchargé WeCount, le trafic compté par les citoyens - pdf auteur Adobe Acrobat PDF

Integration of lidar data and GIS data for point cloud semantic enrichment at the point level / Harith Aljumaily in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 1 (January 2019)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 85 n° 1 (January 2019) . - pp 29 - 42 Titre : Integration of lidar data and GIS data for point cloud semantic enrichment at the point level Type de document : Article/Communication Auteurs : Harith Aljumaily, Auteur ; Debra F. Laefer, Auteur ; Dolores Cuadra, Auteur Année de publication : 2019 Article en page(s) : pp 29 - 42 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] analyse de groupement [Termes IGN] détection du bâti [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] Dublin (Irlande ; ville) [Termes IGN] enrichissement sémantique [Termes IGN] extraction de la végétation [Termes IGN] extraction du réseau routier [Termes IGN] flore urbaine [Termes IGN] image multibande [Termes IGN] information sémantique [Termes IGN] interpolation linéaire [Termes IGN] OpenStreetMap [Termes IGN] réseau routier [Termes IGN] segmentation [Termes IGN] segmentation sémantique [Termes IGN] semis de points [Termes IGN] système de gestion de base de données [Termes IGN] zone urbaine Résumé : (auteur) Commercial aerial laser scanning is generally delivered with point-by-point metadata for object identification, but current vendor-generated classification approaches (which rely exclusively on that data) generate high misclassification rates in urban areas. To overcome this problem and provide a fully scalable solution that harnesses distributed computing capabilities, this paper introduces a novel system, employing a MapReduce framework and existing GIS-based data, to provide more detailed and accurate classification. The approach goes beyond traditional gross-level classification (roads, buildings, trees, noise) by enriching the point cloud metadata with detailed semantic information about the object type. The approach was evaluated using two datasets of differing point density, separated by eight years for the same study area in Dublin, Ireland. As evaluated against manually classified data, classification quality ranged from 76% to 91% depending upon category and only 8% remained unclassified, as opposed to the commercial vendor's classification quality which ranged from 43% to 78% with 82% left unclassified. Numéro de notice : A2019-027 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.85.1.29 Date de publication en ligne : 01/01/2019 En ligne : https://doi.org/10.14358/PERS.85.1.29 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91964 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2019011	SL	Revue	Centre de documentation	Revues en salle	Disponible

Mapping uncertainty from multi-criteria analysis of land development suitability, the case of Howth, Dublin / Bernadette Quinn in Journal of maps, vol 11 n° 3 ([01/07/2015])  

Public [article]  inJournal of maps > vol 11 n° 3 [01/07/2015] . - pp 487 - 495 Titre : Mapping uncertainty from multi-criteria analysis of land development suitability, the case of Howth, Dublin Type de document : Article/Communication Auteurs : Bernadette Quinn, Auteur ; Kerry Schiel, Auteur ; Geoffrey Caruso, Auteur Année de publication : 2015 Article en page(s) : pp 487 - 495 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Cartographie thématique [Termes IGN] analyse bivariée [Termes IGN] analyse multicritère [Termes IGN] carte thématique [Termes IGN] Dublin (Irlande ; ville) [Termes IGN] incertitude des données [Termes IGN] méthode de Monte-Carlo [Termes IGN] pondération Résumé : (auteur) This paper presents a method for determining and mapping suitable locations for development using Multi Criteria Analysis and the Analytical Hierarchy Process and considering uncertainties in the process. The method is applied to the case study of Howth (Dublin), where development suitability is assessed against specific protection and conservation areas as well as ground water vulnerability. Uncertainty is incorporated using a Monte Carlo simulation into the Analytical Hierarchy Process calculations to determine criteria weightings. A map is derived, which includes, for all locations, both site suitability for development and the level of uncertainty attached to this suitability. The map combines a double categorization of suitability and uncertainty. The method allows for increased transparency in decision making regarding site suitability for development, as well as increased confidence in decision making to allow for reduced risk in terms of the potential impact of development. Numéro de notice : A2015-545 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1080/17445647.2014.978907 En ligne : https://doi.org/10.1080/17445647.2014.978907 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=77516 [article]

Traffic prediction and analysis using a big data and visualisation approach / Declan McHugh (2015) 

Permalink

Les réseaux techniques comme vecteurs de distribution des risques en milieu urbain / Serge Lhomme in Cartes & Géomatique, n° 215 (mars 2013)  

Permalink