Descripteur
Documents disponibles dans cette catégorie (105)



Etendre la recherche sur niveau(x) vers le bas
Comparaison des images satellite et aériennes dans le domaine de la détection d’obstacles à la navigation aérienne et de leur mise à jour / Olivier de Joinville in XYZ, n° 170 (mars 2022)
[article]
Titre : Comparaison des images satellite et aériennes dans le domaine de la détection d’obstacles à la navigation aérienne et de leur mise à jour Type de document : Article/Communication Auteurs : Olivier de Joinville , Auteur ; Chloé Marcon, Auteur
Année de publication : 2022 Article en page(s) : pp 36 - 44 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] aéroport
[Termes IGN] analyse comparative
[Termes IGN] analyse diachronique
[Termes IGN] BD Topo
[Termes IGN] classification dirigée
[Termes IGN] classification orientée objet
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] classification pixellaire
[Termes IGN] contrôle qualité
[Termes IGN] détection de changement
[Termes IGN] détection du bâti
[Termes IGN] extraction de la végétation
[Termes IGN] image Pléiades-HR
[Termes IGN] image Sentinel-MSI
[Termes IGN] mise à jour de base de données
[Termes IGN] modèle numérique de surface
[Termes IGN] Nice
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] orthoimage
[Termes IGN] plus proche voisin, algorithme du
[Termes IGN] QGIS
[Termes IGN] réalité de terrainRésumé : (Auteur) Le Service d’information aéronautique (SIA) est un service de la DGAC (Direction générale de l’aviation civile) qui publie et exploite des obstacles à la navigation aérienne afin de sécuriser les vols aux abords des aérodromes. L’article propose une étude comparative entre des données images aériennes (OrthoImages) et des données images satellite (Pléiades et Sentinel) dans les deux domaines suivants : détection d’obstacles (essentiellement végétation et bâtiments) ainsi que leur mise à jour. Il ressort que les images satellite, du fait de leur forte qualité radiométrique et géométrique, offrent un potentiel légèrement supérieur aux images aériennes pour le SIA. De futures études utilisant d’autres capteurs optiques, LiDAR et Radar et des moyens de contrôle plus exhaustifs, devront être menées pour confirmer cette tendance. Numéro de notice : A2022-225 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100191
in XYZ > n° 170 (mars 2022) . - pp 36 - 44[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 112-2022011 SL Revue Centre de documentation Revues en salle Disponible Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network / Ekrem Saralioglu in Geocarto international, vol 37 n° 2 ([15/01/2022])
![]()
[article]
Titre : Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network Type de document : Article/Communication Auteurs : Ekrem Saralioglu, Auteur ; Oguz Gungor, Auteur Année de publication : 2022 Article en page(s) : pp 657 - 677 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] image Ikonos
[Termes IGN] image multibande
[Termes IGN] image Pléiades-HR
[Termes IGN] image Worldview
[Termes IGN] occupation du sol
[Termes IGN] segmentation sémantique
[Termes IGN] TurquieRésumé : (auteur) Research to improve the accuracy of very high-resolution satellite image classification algorithms is still one of the hot topics in the field of remote sensing. Successful results of deep learning methods in areas such as image classification and object detection have led to the application of these methods to remote sensing problems. Recently, Convolutional Neural Networks (CNNs) are among the most common deep learning methods used in image classification, however, the use of CNN’s in satellite image classification is relatively new. Due to the high computational complexity of 3D CNNs, which aim to extract both spatial and spectral information, 2D CNNs focussing on the extraction of spatial information are often preferred. High-resolution satellite images, however, contain crucial spectral information as well as spatial information. In this study, a 3D-2D CNN model using both spectral and spatial information was applied to extract more accurate land cover information from very high-resolution satellite images. The model was applied on a Worldview-2 satellite image including agricultural product areas such as tea, hazelnut groves and land use classes such as buildings and roads. The results of the CNN based model were also compared against those of the Support Vector Machine (SVM) and Random Forest (RF) algorithms. The post-classification accuracies were obtained using 800 control points generated by a web interface created for crowdsourcing purposes. The classification accuracy was 95.6% for the 3D-2D CNN model, 89.2% for the RF and 86.4% for the SVM. Numéro de notice : A2022-305 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/10106049.2020.1734871 Date de publication en ligne : 04/03/2020 En ligne : https://doi.org/10.1080/10106049.2020.1734871 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100379
in Geocarto international > vol 37 n° 2 [15/01/2022] . - pp 657 - 677[article]
Titre : Development of object detectors for satellite images by deep learning Type de document : Mémoire Auteurs : Alissa Kouraeva, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 57 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire d'ingénieur 3e année, Cycle PPMD Photogrammétrie, Positionnement et Mesure de DéformationLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] angle d'incidence
[Termes IGN] apprentissage profond
[Termes IGN] détection du bâti
[Termes IGN] image aérienne
[Termes IGN] image Pléiades-HR
[Termes IGN] image Pléiades-Neo
[Termes IGN] jeu de données
[Termes IGN] OpenStreetMap
[Termes IGN] réalité de terrain
[Termes IGN] recalage d'imageMots-clés libres : Frame Field Learning algorithm Index. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) With various uses cases in different sectors - marine, cartography, defense - object detection in satellite images is at the heart of image processing methods. This study aims to test existing building detection algorithms and improve them with the final goal being a precise cartography of buildings for 3D reconstruction with a high level of details. The Polygonization by Frame Field Learning algorithm is tested on different types of images: aerial images (50cm resolution), satellite images with 50cm (Pleiades) and 30cm (Pleiades Neo) resolutions. The ground truth is either already provided (Digitanie) or has to be retrieved from open access databases (OSM or BD TOPO IGN). Some problems of ground truth overlap appear in Pleiades neo images due to the relative precision in positioning of different data and also due to the incidence angle, that provides a greater revisiting capability. A re-implementation of the Frame Field Learning algorithm with the PyTorch Lightning framework is done in this study, with different experiments conducted concerning the configuration of the algorithm. Note de contenu : Introduction
1- Data
2- Methods
3- Results and discussion
ConclusionNuméro de notice : 24052 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Airbus Defence and Space Geo SA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101926 Relevés d’obstacles à la navigation aérienne au service de l’information aéronautique / Olivier de Joinville in XYZ, n° 169 (décembre 2021)
[article]
Titre : Relevés d’obstacles à la navigation aérienne au service de l’information aéronautique Type de document : Article/Communication Auteurs : Olivier de Joinville , Auteur ; Nicolas Bouad, Auteur ; Nicolas Tadjian, Auteur ; et al., Auteur
Année de publication : 2021 Article en page(s) : pp 25 - 32 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Navigation et positionnement
[Termes IGN] aérotriangulation numérique
[Termes IGN] base de données localisées
[Termes IGN] données aéronautiques
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image aérienne
[Termes IGN] image Pléiades
[Termes IGN] modèle numérique de terrain
[Termes IGN] navigation aérienne
[Termes IGN] plan de vol
[Termes IGN] qualité des données
[Termes IGN] restitutionRésumé : (Auteur) Le Service d’information aéronautique (SIA) est un service de la DGAC (Direction générale de l’aviation civile) qui publie et exploite des données aéronautiques dont notamment les obstacles à la navigation aérienne. Il existe trois types d’obstacles : les obstacles TOD (Terrain and Obstacle Data) exigés par l’OACI1 (Annexe 15), les relevés d’obstacles pour la conception de procédures de vol aux instruments et les ONA (Obstacles à la navigation aérienne) qui sont publiés sur le site du SIA (https://www.sia.aviation-civile.gouv.fr). Les deux premiers types d’obstacles sont relevés par deux sociétés qui ont été sélectionnées sur un appel d’offres public, cette procédure est récurrente afin de remettre en concurrence les prestataires. Les derniers obstacles (ONA) sont recueillis par le SIA auprès d’informateurs aéronautiques régionaux. Le contrôle qualité des obstacles est sous-traité par GEOFIT Group, société spécialisée en création et gestion de bases de données géospatiales. Cet article a pour but de présenter les techniques d’acquisition de ces obstacles (restitution 3D et mesures topométriques) et de contrôles (en grande partie automatisés). Numéro de notice : A2021-848 Affiliation des auteurs : non IGN Thématique : IMAGERIE/POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99176
in XYZ > n° 169 (décembre 2021) . - pp 25 - 32[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 112-2021041 SL Revue Centre de documentation Revues en salle Disponible Fast unsupervised multi-scale characterization of urban landscapes based on Earth observation data / Claire Teillet in Remote sensing, vol 13 n° 12 (June-2 2021)
![]()
[article]
Titre : Fast unsupervised multi-scale characterization of urban landscapes based on Earth observation data Type de document : Article/Communication Auteurs : Claire Teillet, Auteur ; Benjamin Pillot, Auteur ; Thibault Catry, Auteur ; Laurent Demagistri, Auteur ; Dominique Lyszczarz, Auteur ; Marc Lang, Auteur ; Pierre Couteron, Auteur ; Nicolas Barbier, Auteur ; Arsène Adou Kouassi, Auteur ; Quentin Gunther , Auteur ; Nadine Dessay, Auteur
Année de publication : 2021 Projets : GeoSud / , TOSCA / Article en page(s) : n° 2398 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] Brasilia
[Termes IGN] caractérisation
[Termes IGN] Côte d'Ivoire
[Termes IGN] empreinte
[Termes IGN] image Pléiades-HR
[Termes IGN] image Sentinel-MSI
[Termes IGN] paysage urbain
[Termes IGN] texture d'image
[Termes IGN] zone urbaineRésumé : (auteur) Most remote sensing studies of urban areas focus on a single scale, using supervised methodologies and very few analyses focus on the “neighborhood” scale. The lack of multi-scale analysis, together with the scarcity of training and validation datasets in many countries lead us to propose a single fast unsupervised method for the characterization of urban areas. With the FOTOTEX algorithm, this paper introduces a texture-based method to characterize urban areas at three nested scales: macro-scale (urban footprint), meso-scale (“neighbourhoods”) and micro-scale (objects). FOTOTEX combines a Fast Fourier Transform and a Principal Component Analysis to convert texture into frequency signal. Several parameters were tested over Sentinel-2 and Pleiades imagery on Bouake and Brasilia. Results showed that a single Sentinel-2 image better assesses the urban footprint than the global products. Pleiades images allowed discriminating neighbourhoods and urban objects using texture, which is correlated with metrics such as building density, built-up and vegetation proportions. The best configurations for each scale of analysis were determined and recommendations provided to users. The open FOTOTEX algorithm demonstrated a strong potential to characterize the three nested scales of urban areas, especially when training and validation data are scarce, and computing resources limited. Numéro de notice : A2021-505 Affiliation des auteurs : ENSG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE/INFORMATIQUE/URBANISME Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/rs13122398 Date de publication en ligne : 19/06/2021 En ligne : https://doi.org/10.3390/rs13122398 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98125
in Remote sensing > vol 13 n° 12 (June-2 2021) . - n° 2398[article]Mask R-CNN-based building extraction from VHR satellite data in operational humanitarian action: An example related to Covid-19 response in Khartoum, Sudan / Dirk Tiede in Transactions in GIS, Vol 25 n° 3 (June 2021)
PermalinkApport de la photogrammétrie satellite pour la modélisation du manteau neigeux / César Deschamps-Berger (2021)
PermalinkApports des méthodes d'apprentissage profond pour la reconnaissance automatique des modes d'occupation des sols et d'objets par télédétection en milieu tropical / Guillaume Rousset (2021)
PermalinkPermalinkProposition d’un référentiel de description et de détection de la végétation dans une agglomération / Mathilde Segaud (2021)
PermalinkA review of image fusion techniques for pan-sharpening of high-resolution satellite imagery / Farzaneh Dadrass Javan in ISPRS Journal of photogrammetry and remote sensing, vol 171 (January 2021)
PermalinkTélédétection et intégration de connaissances via la modélisation spatiale pour une cartographie plus cohérente des systèmes agricoles complexes / Arthur Crespin-Boucaud (2021)
PermalinkComplex deformation at shallow depth during the 30 October 2016 Mw6.5 Norcia earthquake: interferencebetween tectonic and gravity processes? / Arthur Delorme in Tectonics, vol 39 n° 2 (February 2020)
![]()
PermalinkMulti-Spatial Resolution Satellite and sUAS Imagery for Precision Agriculture on Smallholder Farms in Malawi / Brad G. Peter in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 2 (February 2020)
PermalinkDe l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)
Permalink