Centre dedocumentation
scientifique

Forêt d'arbres aléatoires et classification d'images satellites : relation entre la précision du modèle d'entraînement et la précision globale de la classification / Aurélien N.G. Matsaguim in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 3 - 14 Titre : Forêt d'arbres aléatoires et classification d'images satellites : relation entre la précision du modèle d'entraînement et la précision globale de la classification Type de document : Article/Communication Auteurs : Aurélien N.G. Matsaguim, Auteur ; Emmanuel D. Tiomo, Auteur Année de publication : 2020 Article en page(s) : pp 3 - 14 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] arbre de décision [Termes descripteurs IGN] base d'apprentissage [Termes descripteurs IGN] Cameroun [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] corrélation d'images [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] précision de la classification [Termes descripteurs IGN] qualité d'image Résumé : (Auteur) En télédétection, il existe un grand nombre d'algorithmes permettant de classifier une image satellite. Parmi ces algorithmes de classification, la Forêt d'Arbres Aléatoires apparait comme particulièrement performant. Cette étude a pour objectifs d'évaluer (1) l'importance de la sélection des images pour le niveau de précision du modèle d'entrainement et (2) la nature de la relation qui existe entre le niveau de précision du modèle et celui de la précision globale de la carte thématique résultant de la classification de l'image satellite avec cet algorithme de classification. A partir d'une image Landsat 8 OLI prise au-dessus d'une zone de montagne tropicale : la région de l'Ouest Cameroun, 35 modèles ont été construits et testés. Les résultats montrent que le niveau de la précision globale des résultats de la Forêts d'Arbres Aléatoires est étroitement dépendant d'une part de la précision du modèle d'entrainement utilisé pour classifier l'image satellite, et d'autre part du choix des images utilisées pour entrainer ce modèle. De plus, la sélection de ces images est elle-même dépendante de la qualité des zones d'entrainement qui servirontà la construction du modèle. Il est donc important de mettre en accent particulier sur la qualité des données d'entrée afin de garantir des résultats satisfaisants avec cet algorithme. Mots clés : Forêt d’Arbres Aléatoires ; précision ; modèle d’entrainement ; télédétection ; Cameroun Numéro de notice : A2020-760 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans date de publication en ligne : 25/11/2020 En ligne : http://www.sfpt.fr/rfpt/index.php/RFPT/article/view/477/251 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96400 [article]

A generic framework for improving the geopositioning accuracy of multi-source optical and SAR imagery / Niangang Jiao in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 169 (November 2020) . - pp 377 - 388 Titre : A generic framework for improving the geopositioning accuracy of multi-source optical and SAR imagery Type de document : Article/Communication Auteurs : Niangang Jiao, Auteur ; Feng Wang, Auteur ; Hongjian You, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 377 - 388 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] chaîne de traitement [Termes descripteurs IGN] correction géométrique [Termes descripteurs IGN] étalonnage géométrique [Termes descripteurs IGN] géolocalisation [Termes descripteurs IGN] image Gaofen [Termes descripteurs IGN] image Jilin [Termes descripteurs IGN] image optique [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] point d'appui [Termes descripteurs IGN] précision géométrique (imagerie) Résumé : (auteur) To date, numerous Earth observation datasets from different types of satellites have been widely used in photogrammetric fields, including urban 3D modelling and geographic information systems. The development of small satellites has provided a new way to obtain repeated observations in a short period. However, compared with that of standard satellite imagery, the geometric performance of imagery from small satellites is relatively poor, restricting their photogrammetric applications. Traditional methods can improve the accuracy of optical images with the addition of well-distributed ground control points (GCPs), which require considerable financial and human resources. The collection of multi-view datasets is an alternative method for geometric processing without GCPs, but relies heavily on the stability and revisit period of satellite platforms. Therefore, this paper presents a framework for improving the geopositioning accuracy of multi-source datasets obtained from optical and synthetic aperture radar (SAR) satellites, and a novel heterogeneous weight strategy is proposed based on an analysis of the geometric error sources of SAR and optical images. The geometric performance of multi-source optical imagery from the Jilin-1 (JL-1) small satellite constellation is evaluated and analysed first, and then Gaofen-3 (GF-3) SAR images are calibrated based on statistical analysis for the production of virtual control points (VCPs). Based on our proposed heterogeneous weight strategy, multi-source optical and SAR images are integrated to improve the geopositioning accuracy. Experimental results indicate that our proposed model can achieve the best performance compared with other popular models, producing an accuracy of approximately 3 m in planimetry and 2 m in height, thereby providing a generic way to synergistically use multi-source remote sensing data. Numéro de notice : A2020-642 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.09.017 date de publication en ligne : 12/10/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.09.017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96066 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020111	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020113	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020112	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Application of 30-meter global digital elevation models for compensating rational polynomial coefficients biases / Amin Alizadeh Naeini in Geocarto international, vol 35 n° 12 ([01/09/2020])  

Public [article]  inGeocarto international > vol 35 n° 12 [01/09/2020] . - pp 1311 - 1326 Titre : Application of 30-meter global digital elevation models for compensating rational polynomial coefficients biases Type de document : Article/Communication Auteurs : Amin Alizadeh Naeini, Auteur ; Sayyed Bagher Fatemi, Auteur ; Masoud Babadi, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1311 - 1326 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes descripteurs IGN] correction d'image [Termes descripteurs IGN] image Cartosat-1 [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] MNS ASTER [Termes descripteurs IGN] MNS SRTM [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] modèle par fonctions rationnelles [Termes descripteurs IGN] modèle stéréoscopique [Termes descripteurs IGN] point d'appui [Termes descripteurs IGN] précision géométrique (imagerie) Résumé : (auteur) Generation of precise digital elevation models (DEMs) from stereo satellite images by using rational polynomial coefficients (RPCs) usually needs several ground control points (GCPs). This is mainly due to RPCs biases. However, since GCPs collection is a time consuming and expensive process, global DEMs (GDEMs), as the most inexpensive geospatial information, can be used to improve stereo satellite imagery-based DEMs (IB-DEMs). In this study, a 2.5 D mutual information based DEM matching, between a GDEM and an IB-DEM, was introduced for bias correction of satellite stereo images. Three well-known 30-meter GDEMs, namely, SRTM, ASTER, and AW3D30, were used and compared to assess the efficiency of this approach. The performance of the proposed method was evaluated by processing the stereo images acquired by CARTOSAT-1 satellite from two regions with flat, hilly, and mountainous topography. Evaluation results revealed that the proposed method could significantly improve the geometric accuracy of IB-DEM using all GDEMs. Numéro de notice : A2020-481 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1573854 date de publication en ligne : 01/03/2019 En ligne : https://doi.org/10.1080/10106049.2019.1573854 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95632 [article]

A regression model of spatial accuracy prediction for Openstreetmap buildings / Ibrahim Maidaneh Abdi in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-4 (August 2020)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > V-4 (August 2020) . - pp 39 - 47 Titre : A regression model of spatial accuracy prediction for Openstreetmap buildings Type de document : Article/Communication Auteurs : Ibrahim Maidaneh Abdi, Auteur ; Arnaud Le Guilcher , Auteur ; Ana-Maria Olteanu-Raimond , Auteur Année de publication : 2020 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 4, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Annals Commission 4 Article en page(s) : pp 39 - 47 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] bati [Termes descripteurs IGN] modèle de régression [Termes descripteurs IGN] OpenStreetMap [Termes descripteurs IGN] précision géométrique (imagerie) [Termes descripteurs IGN] qualité des données Résumé : (auteur) Data quality assessment of OpenStreetMap (OSM) data can be carried out by comparing them with a reference spatial data (e.g authoritative data). However, in case of a lack of reference data, the spatial accuracy is unknown. The aim of this work is therefore to propose a framework to infer relative spatial accuracy of OSM data by using machine learning methods. Our approach is based on the hypothesis that there is a relationship between extrinsic and intrinsic quality measures. Thus, starting from a multi-criteria data matching, the process seeks to establish a statistical relationship between measures of extrinsic quality of OSM (i.e. obtained by comparison with reference spatial data) and the measures of intrinsic quality of OSM (i.e. OSM features themselves) in order to estimate extrinsic quality on an unevaluated OSM dataset. The approach was applied on OSM buildings. On our dataset, the resulting regression model predicts the values on the extrinsic quality indicators with 30% less variance than an uninformed predictor. Numéro de notice : A2020-506 Affiliation des auteurs : LaSTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-4-2020-39-2020 date de publication en ligne : 03/08/2020 En ligne : https://doi.org/10.5194/isprs-annals-V-4-2020-39-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95647 [article]

ALERT: adversarial learning with expert regularization using Tikhonov operator for missing band reconstruction / Litu Rout in IEEE Transactions on geoscience and remote sensing, vol 58 n° 6 (June 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 6 (June 2020) Titre : ALERT: adversarial learning with expert regularization using Tikhonov operator for missing band reconstruction Type de document : Article/Communication Auteurs : Litu Rout, Auteur Année de publication : 2020 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage dirigé [Termes descripteurs IGN] bande spectrale [Termes descripteurs IGN] cohérence géométrique [Termes descripteurs IGN] correction d'image [Termes descripteurs IGN] dégradation d'image [Termes descripteurs IGN] pollution acoustique [Termes descripteurs IGN] qualité d'image [Termes descripteurs IGN] reconstruction [Termes descripteurs IGN] régularisation de Tychonoff Résumé : (auteur) The Earth observation using remote sensing is one of the most important technologies to assimilate key attributes about the Earth’s surface. To achieve tangible consequence, the internal building blocks of such a complex system must operate flawlessly. However, due to a dynamically changing environment, degradation in sensor electronics, and extreme weather condition remotely sensed images often miss essential information. As the sensors operate over several years in space the likelihood of sensor degradation persists. This results in commonly observed issues, such as stripe noise, missing partial data, and missing band. Various ground-based solutions have been developed to address these technological bottlenecks individually. In this article, we devise a method, which we call ALERT, to tackle missing band reconstruction. The proposed method reconstructs the missing band with the sole supervision of spectral and spatial priors. We compare the proposed framework with state-of-the-art methods and show compelling improvement both qualitatively and quantitatively. We provide both theoretical and empirical evidence of better performance by regularized adversarial learning as compared to complete supervision. Furthermore, we propose a new residual-dense-block (RDB) module to preserve geometric fidelity and assist in efficient gradient flow. We show that ALERT captures essential features such that the spatial and spectral characteristics of the reconstructed band remains preserved. To critically analyze the generalization we test the performance on two different satellite data sets: Resourcesat-2A and WorldView-2. As per our extensive experimentation, the proposed method achieves 20.72%, 13.81%, 1.05%, 15.91%, and 2.94% improvement in the root mean square error (RMSE), SAM, SSIM, PSNR, and SRE, respectively, over the state-of-the-art model. Numéro de notice : A2020-285 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2963818 date de publication en ligne : 16/01/2020 En ligne : https://doi.org/10.1109/TGRS.2019.2963818 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95108 [article]

Comparison and analysis of results of 3D modelling of complex cultural and historical objects using different types of terrestrial laser scanner / Admir Mulahusic in Survey review, vol 52 n° 371 (March 2020)  

Permalink

Optimising drone flight planning for measuring horticultural tree crop structure / Yu-Hsuan Tu in ISPRS Journal of photogrammetry and remote sensing, vol 160 (February 2020)  

Permalink

Statistical assessment of cartographic product from photogrammetry and fixed-wing UAV acquisition / Ademir Marques Junior in European journal of remote sensing, vol 53 n°1 (2020)  

Permalink

Geometric accuracy improvement of WorldView‐2 imagery using freely available DEM data / Mateo Gašparović in Photogrammetric record, vol 34 n° 167 (September 2019)  

Permalink

Vehicle detection in aerial images / Michael Ying Yang in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 4 (avril 2019)  

Permalink

3-D deep learning approach for remote sensing image classification / Amina Ben Hamida in IEEE Transactions on geoscience and remote sensing, vol 56 n° 8 (August 2018)  

Permalink

Toward automatic georeferencing of archival aerial photogrammetric surveys / Sébastien Giordano in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-2 ([28/05/2018])  

Permalink

No-reference image quality assessment for image auto-denoising / Xiangfei Kong in International journal of computer vision, vol 126 n° 5 (May 2018)  

Permalink

Des exigences techniques de qualité pour l'exploitation des images / Laurent Polidori in Géomètre, n° 2156 (mars 2018)

Permalink

Foveon VS Bayer: Comparison of 3D reconstruction performances / Pierre Bodin (2018) 

Permalink