Descripteur
Termes IGN > imagerie > image spatiale > image satellite > image à très haute résolution
image à très haute résolutionVoir aussi |
Documents disponibles dans cette catégorie (297)
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
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 engineeringLangues : 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] voxelIndex. 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 WorkNuméro 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 Streambank topography: an accuracy assessment of UAV-based and traditional 3D reconstructions / Benjamin U. Meinen in International Journal of Remote Sensing IJRS, vol 41 n° 1 (01 - 08 janvier 2020)
[article]
Titre : Streambank topography: an accuracy assessment of UAV-based and traditional 3D reconstructions Type de document : Article/Communication Auteurs : Benjamin U. Meinen, Auteur ; Derek T. Robinson, Auteur Année de publication : 2020 Article en page(s) : pp 1 - 18 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] carte topographique
[Termes IGN] cours d'eau
[Termes IGN] détection de changement
[Termes IGN] érosion
[Termes IGN] hétérogénéité spatiale
[Termes IGN] image à très haute résolution
[Termes IGN] image captée par drone
[Termes IGN] modèle numérique de surface
[Termes IGN] photogrammétrie aérienne
[Termes IGN] reconstruction 3D
[Termes IGN] rive
[Termes IGN] structure-from-motion
[Termes IGN] télémètre laser terrestreRésumé : (auteur) Highly accurate digital surface models are an essential part of change-over-time analyses for monitoring erosion processes. Streambank topography presents a unique challenge for surface mapping due to dense riparian vegetation, canopy cover, and rapidly changing elevation values. The spatial heterogeneity of stream corridors has made the calculation of streambank erosion across larger spatial extents difficult. Contemporary technologies such as terrestrial laser scanners (TLS) and unmanned aerial vehicles (UAVs) offer new approaches for streambank topography mapping at very high spatial resolutions across varying spatial extents. To evaluate the accuracy of different technologies for streambank topography mapping, we compared streambank surface models derived via a UAV using structure-from-motion and from traditional aerial photogrammetry (i.e. Southwestern Ontario Orthoimagery Project; SWOOP) to that of a TLS benchmark across seven streambank segments. Additional comparisons were made for 22 manually measured stream transects to that of a TLS benchmark. Compared to our benchmark, the UAV-derived streambank surface model was the most accurate with an average root-mean-square-error of 0.104 m. Errors in the UAV surface model were correlated with georeferencing error. The UAV had an average 52% success rate for reconstructing the streambank topography across all field campaigns and was able to map up to 2037 m of streambank in one hour. The streambank surface model derived from traditional aerial photogrammetry and manual transect measurements had average root-mean-square-errors of 0.238 m and 0.274 m respectively. Both aerially-derived surface models tended to over measure elevation values compared to the TLS, whereas manual transect measurements consistently under measured elevation. Numéro de notice : A2020-208 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/01431161.2019.1597294 Date de publication en ligne : 26/03/2019 En ligne : https://doi.org/10.1080/01431161.2019.1597294 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94890
in International Journal of Remote Sensing IJRS > vol 41 n° 1 (01 - 08 janvier 2020) . - pp 1 - 18[article]Superpixel-enhanced deep neural forest for remote sensing image semantic segmentation / Li Mi in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)
[article]
Titre : Superpixel-enhanced deep neural forest for remote sensing image semantic segmentation Type de document : Article/Communication Auteurs : Li Mi, Auteur ; Zhenzhong Chen, Auteur Année de publication : 2020 Article en page(s) : pp 140 - 152 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] algorithme SLIC
[Termes IGN] apprentissage automatique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image à très haute résolution
[Termes IGN] processus stochastique
[Termes IGN] réseau neuronal profond
[Termes IGN] segmentation sémantique
[Termes IGN] superpixelRésumé : (Auteur) Semantic segmentation plays an important role in remote sensing image understanding. Great progress has been made in this area with the development of Deep Convolutional Neural Networks (DCNNs). However, due to the complexity of ground objects’ spectrum, DCNNs with simple classifier have difficulties in distinguishing ground object categories even though they can represent image features effectively. Additionally, DCNN-based semantic segmentation methods learn to accumulate contextual information over large receptive fields that causes blur on object boundaries. In this work, a novel approach named Superpixel-enhanced Deep Neural Forest (SDNF) is proposed to target the aforementioned problems. To improve the classification ability, we introduce Deep Neural Forest (DNF), where the representation learning of deep neural network is conducted by a completely differentiable decision forest. Therefore, better classification accuracy is achieved by combining DCNNs with decision forests in an end-to-end manner. In addition, considering the homogeneity within superpixels and heterogeneity between superpixels, a Superpixel-enhanced Region Module (SRM) is proposed to further alleviate the noises and strengthen edges of ground objects. Experimental results on the ISPRS 2D semantic labeling benchmark demonstrate that our model significantly outperforms state-of-the-art methods thus validate the efficiency of our proposed SDNF. Numéro de notice : A2020-014 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.11.006 Date de publication en ligne : 29/11/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.11.006 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94403
in ISPRS Journal of photogrammetry and remote sensing > vol 159 (January 2020) . - pp 140 - 152[article]Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2020011 RAB Revue Centre de documentation En réserve L003 Disponible 081-2020013 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2020012 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt Vers une occupation du sol France entière par imagerie satellite à très haute résolution / Tristan Postadjian (2020)
Titre : Vers une occupation du sol France entière par imagerie satellite à très haute résolution Type de document : Thèse/HDR Auteurs : Tristan Postadjian , Auteur ; Clément Mallet , Directeur de thèse ; Arnaud Le Bris , Encadrant ; Hichem Sahbi, Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2020 Importance : 169 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée pour l'obtention du titre de Docteur de l'Université Paris-Est, spécialité : Mathématiques, Sciences et Technologies de l'Information et de la CommunicationLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] base de données localisées IGN
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification automatique
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] image à très haute résolution
[Termes IGN] image SPOT 6
[Termes IGN] image SPOT 7
[Termes IGN] mise à jour de base de données
[Termes IGN] occupation du sol
[Termes IGN] OCS GEIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La connaissance de la couverture des territoires en terme d’occupation des sols est devenue un enjeu majeur du XXIème siècle. Que ce soit à l’échelle nationale ou à une échelle plus globale, les initiatives se multiplient pour proposer des cartographies d’occupation des sols qui répondent à des besoins propres à chacune. Consistant à classer des objets présents sur le sol selon des nomenclatures prédéfinies, la tâche est fastidieuse à l’heure actuelle avec des processus essentiellement manuels ou semi-manuels, nécessaires pour garantir le respect de certaines qualités et spécifications. De son côté, la télédétection spatiale a connu un essor conséquent avec la multiplication des capteurs optiques d’observation de la Terre disponibles et de leur diversité en terme de résolutions spectrale, spatiale et temporelle. Ces capteurs optiques proposent chacun une description de la surface terrestre qui leur est propre, et donc caractérisant un ou plusieurs type(s) d’occupation(s) des sols. Ces types dépendent justement des caractéristiques de ces capteurs, caractéristiques adaptées davantage à l’observation des glaciers, des forêts ou des zones plus urbaines par exemple. Les satellites SPOT 6 et SPOT 7, lancés en 2012 et 2014 respectivement, sont dotés de capteurs optiques à très haute résolution spatiale, et acquièrent des images dans quatre bandes spectrales à haute résolution ainsi qu’une bande panchromatique à très haute résolution, permettant de porter la résolution des quatre canaux spectraux à 1,5 m. L’IGN, à partir de ces acquisitions SPOT disponibles sur le pôle de données surfaces continentales THEIA, produit chaque année une couverture d’orthophotos sur l’ensemble du territoire français. Il apparaît dès lors intéressant d’exploiter cette couverture pour générer une OCS millésimée. La problématique de cartographie de l’occupation des sols automatique à partir d’images aériennes ou satellites occupe la communauté de télédétection depuis longtemps, par le biais de processus de classification supervisés, tels que les SVMs, ou les forêts aléatoires pour, entre autres, la vitesse d’exécution de ces derniers. Mais les résultats obtenus par ces méthodes n’ont pas encore permis une réelle automatisation, notamment en adéquation avec des spécifications existantes (erreurs encore trop importantes). En parallèle de ces algorithmes depuis longtemps utilisés, des méthodes d’apprentissage automatique d’un genre nouveau, bien que reposant sur des concepts remontant aux années 1950, émergent depuis une décennie et sont étroitement liés aux recherches menées en machine learning. L’apprentissage profond, dont il est question ici, a fait ses preuves dans de nombreux domaines depuis le traitement naturel du langage, à la reconnaissance d’objets dans des images. Cet essor récent est la conséquence de la disponibilité de grandes bases de données d’apprentissage, ainsi que la démocratisation de l’utilisation de GPUs et de l’accroissement général des puissances de calcul. Représentants principaux de cette famille d’apprentissage, les réseaux de neurones profonds ont réellement bouleversé le monde actuel au quotidien. Que ce soit au niveau académique en terme de recherche, au niveau sociétal, au travers des smartphones par exemple (reconnaissances vocale, faciale, systèmes de recommandation), ou même au niveau politique, avec les questions déontologiques que cela peut poser en terme de confidentialité des données (RGPD) et de protection des libertés individuelles, l’apprentissage profond est au cœur de technologies utilisées par la plupart des gens, de manière transparente et donc sans que ceux-ci s’en aperçoivent. En effet, pour afficher de telles performances dans tant de domaines, l’inconvénient pratique est le besoin très massif de données d’apprentissage lorsque l’on manipule ces algorithmes. Les bases de données géographiques de l’IGN sont donc une opportunité dans notre cas, permettant d’exploiter au mieux les images très haute résolution monoscopiques acquises par les satellites SPOT 6 et 7 en les classifiant automatiquement par réseaux de neurones profonds appris sur ces mêmes bases de données. C’est cette approche que nous proposons dans ces travaux de thèse, avec une volonté d’étudier cette problématique tout en se plaçant dans un cadre plus large à visée opérationnelle, afin de proposer des cartographies sur de grandes étendues géographiques. Les expérimentations menées répondent aux questions soulevées lorsque l’on cherche à classifier de grandes zones : par exemple, la couverture annuelle SPOT produite par l’IGN étant unique, deux images adjacentes de cette couverture peuvent avoir été acquises à des époques différentes. Également, nous étudions les possibilités de transfert d’apprentissage par fine-tuning qui offre beaucoup d’avantages en matière de charges de calcul et de jeu d’apprentissage. Enfin, dans un contexte de mise à jour automatique de bases de données géographiques, l’exploitation jointe d’images aériennes et de réseaux de neurones profonds est étudiée, avec un accent mis sur la préparation des données d’apprentissage issues des bases de données géographiques de l’IGN qui présentent certains inconvénients. Note de contenu : 1- Introduction
2- Etat de l'art
3- Apprentissage profond sur images satellites très haute résolution
4- Mettre à jour des bases de données d'OCS
5- Conclusion et perspectivesNuméro de notice : 25964 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris-Est : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 08/12/2020 En ligne : https://theses.hal.science/tel-03045637 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96546 Very high resolution land cover mapping of urban areas at global scale with convolutional neural network / Thomas Tilak (2020)
Titre : Very high resolution land cover mapping of urban areas at global scale with convolutional neural network Type de document : Article/Communication Auteurs : Thomas Tilak , Auteur ; Arnaud Braun , Auteur ; David Chandler , Auteur ; Nicolas David , Auteur ; Sylvain Galopin , Auteur ; Amélie Lombard, Auteur ; Camille Parisel , Auteur ; Camille Parisel , Auteur ; Matthieu Porte , Auteur ; Marjorie Robert, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Autre Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B3 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 3, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Archives Commission 3 Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] BD Alti
[Termes IGN] carte d'occupation du sol
[Termes IGN] chaîne de production
[Termes IGN] chaîne de traitement
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] corrélation croisée maximale
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] Gironde (33)
[Termes IGN] image à très haute résolution
[Termes IGN] image aérienne
[Termes IGN] image multibande
[Termes IGN] modèle numérique de surface
[Termes IGN] segmentation sémantique
[Termes IGN] vectorisation
[Termes IGN] zone d'intérêt
[Termes IGN] zone urbaineRésumé : (auteur) This paper describes a methodology to produce a 7-classes land cover map of urban areas from very high resolution images and limited noisy labeled data. The objective is to make a segmentation map of a large area (a french department) with the following classes: asphalt, bare soil, building, grassland, mineral material (permeable artificialized areas), forest and water from 20cm aerial images and Digital Height Model. We created a training dataset on a few areas of interest aggregating databases, semi-automatic classification, and manual annotation to get a complete ground truth in each class. A comparative study of different encoder-decoder architectures (U-Net, U-Net with Resnet encoders, Deeplab v3+) is presented with different loss functions. The final product is a highly valuable land cover map computed from model predictions stitched together, binarized, and refined before vectorization. Numéro de notice : C2020-038 Affiliation des auteurs : IGN+Ext (2020- ) Autre URL associée : vers ArXiv Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B3-2020-201-2020 Date de publication en ligne : 21/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-201-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95079 A learning approach to evaluate the quality of 3D city models / Oussama Ennafii in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 12 (December 2019)PermalinkNovel adaptive histogram trend similarity approach for land cover change detection by using bitemporal very-high-resolution remote sensing images / Zhi Yong Lv in IEEE Transactions on geoscience and remote sensing, vol 57 n° 12 (December 2019)PermalinkIntroducing spatial regularization in SAR tomography reconstruction / Clément Rambour in IEEE Transactions on geoscience and remote sensing, vol 57 n° 11 (November 2019)PermalinkSig-NMS-based faster R-CNN combining transfer learning for small target detection in VHR optical remote sensing imagery / Ruchan Dong in IEEE Transactions on geoscience and remote sensing, vol 57 n° 11 (November 2019)PermalinkUnsupervised classification of multispectral images embedded with a segmentation of panchromatic images using localized clusters / Ting Mao in IEEE Transactions on geoscience and remote sensing, vol 57 n° 11 (November 2019)PermalinkGeometric accuracy improvement of WorldView‐2 imagery using freely available DEM data / Mateo Gašparović in Photogrammetric record, vol 34 n° 167 (September 2019)PermalinkVirtual Support Vector Machines with self-learning strategy for classification of multispectral remote sensing imagery / Christian Geiss in ISPRS Journal of photogrammetry and remote sensing, vol 151 (May 2019)PermalinkTree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis / Matheus Pinheiro Ferreira in ISPRS Journal of photogrammetry and remote sensing, vol 149 (March 2019)PermalinkAilanthus altissima mapping from multi-temporal very high resolution satellite images / Cristina Tarantino in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)PermalinkPermalink