Centre de documentation
scientifique

Automatic generation of outline-based representations of landmark buildings with distinctive shapes / Peng Ti in International journal of geographical information science IJGIS, vol 37 n° 4 (April 2023)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 37 n° 4 (April 2023) . - pp 864 - 884 Titre : Automatic generation of outline-based representations of landmark buildings with distinctive shapes Type de document : Article/Communication Auteurs : Peng Ti, Auteur ; Tao Xiong, Auteur ; Yuhong Qiu, Auteur ; et al., Auteur Année de publication : 2023 Article en page(s) : pp 864 - 884 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] Bâti-3D [Termes IGN] cartographie [Termes IGN] contour [Termes IGN] détection du bâti [Termes IGN] extraction de traits caractéristiques [Termes IGN] raisonnement spatial [Termes IGN] reconnaissance de formes [Termes IGN] segmentation d'image [Termes IGN] sémiologie graphique [Vedettes matières IGN] Géovisualisation Résumé : (auteur) Landmark buildings are salient features for spatial cognition on maps. Distinctive outlines are the major visual characteristics that separate landmark buildings from their surrounding environments. The automatic symbolization of landmark outlines facilitates recognition and map production. As users often recognize landmarks by the outlines of their façades from a street view, this study proposes an automatic method for automatically generating representations of the outlines of landmark buildings in four steps: (1) extract outlines from street-view photographs using GrabCut method, (2) vectorize the extracted building outlines, (3) simplify outline shapes, and (4) symbolize the simplified building outlines in three dimensions (3D). We used the proposed method to generate test data with symbolized outlines for eight buildings in a real-world environment for a wayfinding experiment in which the subjects used the building representations to identify landmark buildings and evaluated their perception of the generated maps. The subjects successfully recognized these buildings based on the symbolized outlines on a map, expressed satisfaction with the manually generated 3D symbols, and reported the same or similar ease of building recognition using 2D or 3D symbolized outlines. Numéro de notice : A2023-207 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2022.2143503 Date de publication en ligne : 11/11/2022 En ligne : https://doi.org/10.1080/13658816.2022.2143503 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103109 [article]

Incorporating ideas of structure and meaning in interactive multi scale mapping environments / Guillaume Touya in International journal of cartography, vol inconnu (2023)  

Public [article]  inInternational journal of cartography > vol inconnu (2023) Titre : Incorporating ideas of structure and meaning in interactive multi scale mapping environments Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Quentin Potié , Auteur ; William A Mackaness, Auteur Année de publication : 2023 Projets : LostInZoom / Touya, Guillaume Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage automatique [Termes IGN] état de l'art [Termes IGN] généralisation cartographique automatisée [Termes IGN] lisibilité perceptive [Termes IGN] reconnaissance de formes [Termes IGN] web mapping [Vedettes matières IGN] Généralisation Résumé : (auteur) Web based, slippy, scalable maps are common place. Interacting with such digital maps at varying levels of detail is key to interpretation, and exploration of different geographies. The process of abstraction remains key to the immediate and successful interpretation of their many structures and geographical associations found at any given scale. Meaning is derived from such recognisable structures and map generalisation plays a critical role in communicating an entity's most characteristic and salient qualities. But what are these structures? How (and why) do they change over scale? Why are such questions relevant to automated mapping? In this paper we reflect on the value of perceptual studies and reconsider the context in which map generalisation now takes place. We review developments in pattern recognition techniques and the role played by machine learning techniques in identifying high level structures in abstracted maps. The benefits of their application include derivation of ontological descriptions of landscape, identification and preservation of salient landmarks across scales. We argue that a 'structuralist based approach' provides a more meaningful basis for measuring success and achieving more meaningful outputs. Ultimately the ambition is greater levels of automation in map generalisation, particularly in the context of web based solutions. Numéro de notice : A2023-099 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/23729333.2023.2215960 Date de publication en ligne : 01/06/2023 En ligne : https://doi.org/10.1080/23729333.2023.2215960 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103273 [article]

Linear building pattern recognition in topographical maps combining convex polygon decomposition / Zhiwei Wei in Geocarto international, vol 38 n° inconnu ([01/01/2023])  

Public [article]  inGeocarto international > vol 38 n° inconnu [01/01/2023] Titre : Linear building pattern recognition in topographical maps combining convex polygon decomposition Type de document : Article/Communication Auteurs : Zhiwei Wei, Auteur ; Su Ding, Auteur ; Lu Cheng, Auteur ; et al., Auteur Année de publication : 2023 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] carte topographique [Termes IGN] construction [Termes IGN] décomposition [Termes IGN] détection du bâti [Termes IGN] forme linéaire [Termes IGN] généralisation cartographique automatisée [Termes IGN] Ordnance Survey (UK) [Termes IGN] polygone [Termes IGN] reconnaissance de formes Résumé : (auteur) Building patterns are crucial for urban form understanding, automated map generalization, and 3 D city model visualization. The existing studies have recognized various building patterns based on visual perception rules in which buildings are considered as a whole. However, some visually aware patterns may fail to be recognized with these approaches because human vision is also proved as a part-based system. This paper first proposed an approach for linear building pattern recognition combining convex polygon decomposition. Linear building patterns including collinear patterns and curvilinear patterns are defined according to the proximity, similarity, and continuity between buildings. Linear building patterns are then recognized by combining convex polygon decomposition, in which a building can be decomposed into sub-buildings for pattern recognition. A novel node concavity is developed based on polygon skeletons which is applicable for building polygons with holes or not in the building decomposition. And building’s orthogonal features are also considered in the building decomposition. Two datasets collected from Ordnance Survey (OS) were used in the experiments to verify the effectiveness of the proposed approach. The results indicate that our approach achieves 25.57% higher precision and 32.23% higher recall in collinear pattern recognition and 15.67% higher precision and 18.52% higher recall in curvilinear pattern recognition when compared to existing approaches. Recognition of other kinds of building patterns including T-shaped and C-shaped patterns combining convex polygon decomposition are also discussed in this approach. Numéro de notice : A2022-263 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1080/10106049.2022.2055794 Date de publication en ligne : 27/03/2022 En ligne : https://doi.org/10.1080/10106049.2022.2055794 Format de la ressource électronique : 27/03/2022 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100260 [article]

Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) / Yizi Chen (2023)  

Public Titre : Modern vectorization and alignment of historical maps: An application to Paris Atlas (1789-1950) Titre original : Vectorisation et alignement modernes des cartes historiques : Une application à l'Atlas de Paris (1789-1950) Type de document : Thèse/HDR Auteurs : Yizi Chen , Auteur ; Julien Perret , Directeur de thèse ; Joseph Chazalon, Directeur de thèse ; Clément Mallet , Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2023 Importance : 124 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] alignement des données [Termes IGN] apprentissage profond [Termes IGN] carte ancienne [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] contraste local [Termes IGN] extraction automatique [Termes IGN] jeu de données localisées [Termes IGN] morphologie mathématique [Termes IGN] Paris (75) [Termes IGN] plan de ville [Termes IGN] reconnaissance de formes [Termes IGN] vectorisation [Termes IGN] vision par ordinateur Index. décimale : THESE Thèses et HDR Résumé : (auteur) Les cartes sont une source unique de connaissances depuis des siècles. Ces documents historiques fournissent des informations inestimables pour analyser des transformations spatiales complexes sur des périodes importantes. Cela est particulièrement vrai pour les zones urbaines qui englobent de multiples domaines de recherche imbriqués : humanités, sciences sociales, etc. La complexité des cartes (texte, bruit, artefacts de numérisation, etc.) a entravé la capacité à proposer des approches de vectorisation polyvalentes et efficaces pendant des décennies. Dans cette thèse, nous proposons une solution apprenable, reproductible et réutilisable pour la transformation automatique de cartes raster en objets vectoriels (îlots, rues, rivières), en nous focalisant sur le problème d'extraction de formes closes. Notre approche s'appuie sur la complémentarité des réseaux de neurones convolutifs qui excellent dans et de la morphologie mathématique, qui présente de solides garanties au regard de l'extraction de formes closes tout en étant très sensible au bruit. Afin d'améliorer la robustesse au bruit des filtres convolutifs, nous comparons plusieurs fonctions de coût visant spécifiquement à préserver les propriétés topologiques des résultats, et en proposons de nouvelles. À cette fin, nous introduisons également un nouveau type de couche convolutive (CConv) exploitant le contraste des images, pour explorer les possibilités de telles améliorations à l'aide de transformations architecturales des réseaux. Finalement, nous comparons les différentes approches et architectures qui peuvent être utilisées pour implémenter chaque étape de notre chaîne de traitements, et comment combiner ces dernières de la meilleure façon possible. Grâce à une chaîne de traitement fonctionnelle, nous proposons une nouvelle procédure d'alignement d'images de plans historiques, et commençons à tirer profit de la redondance des données extraites dans des images similaires pour propager des annotations, améliorer la qualité de la vectorisation, et éventuellement détecter des cas d'évolution en vue d'analyse thématique, ou encore l'estimation automatique de la qualité de la vectorisation. Afin d'évaluer la performance des méthodes mentionnées précédemment, nous avons publié un nouveau jeu de données composé d'images de plans historiques annotées. C'est le premier jeu de données en libre accès dédié à la vectorisation de plans historiques. Nous espérons qu'au travers de nos publications, et de la diffusion ouverte et publique de nos résultats, sources et jeux de données, cette recherche pourra être utile à un large éventail d'applications liées aux cartes historiques. Note de contenu : 1- Introduction 2- Pipeline design for historical map vectorization 3- Learning edges through deep neural architectures 4- Topology-aware loss functions 5- Improving model robustness of deep edge detectors 6- Leveraging redundancies of historical maps 7- Conclusion and perspectives Numéro de notice : 10713 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de doctorat : Sciences géographiques : UGE : 2023 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-04106107 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103264

Structured learning of geospatial data / Loïc Landrieu (2023)  

Public Titre : Structured learning of geospatial data Type de document : Thèse/HDR Auteurs : Loïc Landrieu , Auteur Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2023 Importance : 179 p. Format : 21 x 30 cm Note générale : Bibliographie Habilitation à Diriger des Recherches délivrée par l'Université Gustave Eiffel, Spécialité "Sciences et Technologies de l'Information Géographique" Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] algorithme Cut Pursuit [Termes IGN] apprentissage automatique [Termes IGN] carte agricole [Termes IGN] graphe [Termes IGN] lasergrammétrie [Termes IGN] reconnaissance de formes [Termes IGN] segmentation sémantique [Termes IGN] série temporelle [Termes IGN] vision par ordinateur Résumé : (auteur) This manuscript presents an overview of my work in the field of geospatial machine learning, a rapidly growing interdisciplinary field that poses many methodological challenges and has a wide range of impactful applications. Throughout my research, I have focused on developing bespoke approaches that leverage the unique properties of geospatial data to create more efficient, precise, and parsimonious models. This manuscript is divided into four main chapters, each covering a different property of geospatial data structures that can be leveraged algorithmically. The first chapter presents a versatile mathematical framework formalizing the concept of spatial regularity with graphs. We propose an efficient algorithm that tackles a broad family of spatial problems and provides novel convergence guarantees and significant speed-ups compared to generic approaches. The second chapter introduces a deep learning method that extends the idea of exploiting graph regularity to the case of massive 3D point clouds. We simplify the task of large-scale semantic segmentation by formulating it as as a small graph labelling problem. Our compact models reach high precision at a fraction of the computational cost of other approaches. In the third chapter, we present a collection of methods designed to take advantage of the data structure inherited from 3D sensors. By considering the sensors’ structure, we develop powerful networks with state-of-the-art accuracy, latency, and robustness for various applications and data types. The last chapter dives into the real-life challenge of automated satellite time series analysis for crop mapping. Recognizing the difference between such data and standard formats used in computer vision, we propose novel and streamlined architectures that achieve unprecedented precision while remaining efficient and economical in memory and preprocessing. We also introduce the task of panoptic segmentation for satellite time series and an efficient architecture to solve this problem at scale. In summary, this manuscript argues that geospatial problems represent a challenging and impactful venue for evaluating the newest machine learning and vision methods and a fertile source of inspiration for designing novel approaches. Note de contenu : 1- Introduction 2- Exploiting graph regularity 3- Exploiting the spatial regularity of 3D data 4- Exploiting the structure of 3D sensors 5- Exploiting the structure of satellite time series 6- Perspectives 7- Curriculum vitae Numéro de notice : 24107 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : HDR Note de thèse : HDR: Sciences et Technologies de l’Information Geographique : UGE : 2023 Organisme de stage : LASTIG (IGN) DOI : sans En ligne : https://hal.science/tel-04095452v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103248

A joint deep learning network of point clouds and multiple views for roadside object classification from lidar point clouds / Lina Fang in ISPRS Journal of photogrammetry and remote sensing, vol 193 (November 2022)  

Permalink

Deep learning feature representation for image matching under large viewpoint and viewing direction change / Lin Chen in ISPRS Journal of photogrammetry and remote sensing, vol 190 (August 2022)  

Permalink

Adversarial defenses for object detectors based on Gabor convolutional layers / Abdollah Amirkhani in The Visual Computer, vol 38 n° 6 (June 2022)  

Permalink

An empirical study on the effects of temporal trends in spatial patterns on animated choropleth maps / Paweł Cybulski in ISPRS International journal of geo-information, vol 11 n° 5 (May 2022)  

Permalink

Attributs de texture extraits d'images multispectrales acquises en conditions d'éclairage non contrôlées : application à l'agriculture de précision / Anis Amziane (2022)  

Permalink

Deep learning for anchor detection in multi-scale maps / Quentin Potié (2022)  

Permalink

Event-driven feature detection and tracking for visual SLAM / Ignacio Alzugaray (2022)  

Permalink

Location retrieval using qualitative place signatures of visible landmarks / Lijun Wei (2022)  

Permalink

Scene understanding and gesture recognition for human-machine interaction / Naina Dhingra (2022)  

Permalink

Searching for an optimal hexagonal shaped enumeration unit size for effective spatial pattern recognition in choropleth maps / Izabela Karsznia in ISPRS International journal of geo-information, vol 10 n° 9 (September 2021)  

Permalink