Centre dedocumentation
scientifique

Application of a graph convolutional network with visual and semantic features to classify urban scenes / Yongyang Xu in International journal of geographical information science IJGIS, vol 36 n° 10 (October 2022)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 36 n° 10 (October 2022) . - pp 2009-2034 Titre : Application of a graph convolutional network with visual and semantic features to classify urban scenes Type de document : Article/Communication Auteurs : Yongyang Xu, Auteur ; Shuai Jin, Auteur ; Zhanlong Chen, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 2009-2034 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] extraction de traits caractéristiques [Termes IGN] matrice de co-occurrence [Termes IGN] OpenStreetMap [Termes IGN] Pékin (Chine) [Termes IGN] point d'intérêt [Termes IGN] relation spatiale [Termes IGN] réseau neuronal de graphes [Termes IGN] réseau routier [Termes IGN] scène urbaine Résumé : (auteur) Urban scenes consist of visual and semantic features and exhibit spatial relationships among land-use types (e.g. industrial areas are far away from the residential zones). This study applied a graph convolutional network with neighborhood information (henceforth, named the neighbour supporting graph convolutional neural network), to learn spatial relationships for urban scene classification. Furthermore, a co-occurrence analysis with visual and semantic features proceeded to improve the accuracy of urban scene classification. We tested the proposed method with the fifth ring road of Beijing with an overall classification accuracy of 0.827 and a Kappa coefficient of 0.769. In comparison with other methods, such as support vector machine, random forest, and general graph convolutional network, the case study showed that the proposed method improved about 10% in urban scene classification. Numéro de notice : A2022-740 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/URBANISME Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2022.2048834 Date de publication en ligne : 10/03/2022 En ligne : https://doi.org/10.1080/13658816.2022.2048834 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101717 [article]

A relation-augmented embedded graph attention network for remote sensing object detection / Shu Tian in IEEE Transactions on geoscience and remote sensing, vol 60 n° 10 (October 2022)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 60 n° 10 (October 2022) . - n° 1000718 Titre : A relation-augmented embedded graph attention network for remote sensing object detection Type de document : Article/Communication Auteurs : Shu Tian, Auteur ; Lihong Kang, Auteur ; Xiangwei Xing, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 1000718 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] attention (apprentissage automatique) [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] graphe [Termes IGN] image à haute résolution [Termes IGN] information sémantique [Termes IGN] relation sémantique [Termes IGN] relation spatiale [Termes IGN] réseau neuronal de graphes [Termes IGN] SIFT (algorithme) Résumé : (auteur) Multiclass geospatial object detection in high spatial resolution remote sensing imagery (HSRI) is still a challenging task. The main reason is that the objects in HRSI are location-variable and semantic-confusable, which results in the difficulties in differentiating the complicated spatial patterns and deriving the implicitly semantic labels among different categories of objects. In this article, we propose a relation-augmented embedded graph attention network (EGAT), which enables the full exploitation of the underlying spatial and semantic relations among objects for improving the detection performance. Specifically, we first construct two sets of spatial and semantic graphs of objects–objects for object relations modeling. Second, a Siamese architecture-based embedding spatial and semantic graph attention network is designed for relations reasoning, which is implemented by introducing the long short-term memory (LSTM) mechanism into the EGAT, for learning the relations among different categories of intraobjects and interobjects. Driven by the spatial and semantic LSTM, the EGAT-LSTM can adaptively focus on the critical information of reason graphs for spatial–semantic correlation discrimination in the embedding non-Euclidean feature space. By this way, the EGAT-LSTM can effectively capture the global and local spatial–semantic relationships of objects–objects, and then produce relations-augmented features for improving the performance of object detection. We conduct comprehensive experiments on three public datasets for multiclass geospatial object detection. Our method achieves state-of-the-art performance, which demonstrates the superiority and effectiveness of the proposed method. Numéro de notice : A2022-766 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2021.3073269 Date de publication en ligne : 18/05/2021 En ligne : https://doi.org/10.1109/TGRS.2021.3073269 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101788 [article]

Spatial-temporal attentive LSTM for vehicle-trajectory prediction / Rui Jiang in ISPRS International journal of geo-information, vol 11 n° 7 (July 2022)  

Public [article]  inISPRS International journal of geo-information > vol 11 n° 7 (July 2022) . - n° 354 Titre : Spatial-temporal attentive LSTM for vehicle-trajectory prediction Type de document : Article/Communication Auteurs : Rui Jiang, Auteur ; Hongyun Xu, Auteur ; Gelian Gong, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 354 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] attention (apprentissage automatique) [Termes IGN] données spatiotemporelles [Termes IGN] navigation autonome [Termes IGN] relation spatiale [Termes IGN] système de transport intelligent [Termes IGN] trajectoire (véhicule non spatial) [Termes IGN] vision par ordinateur Résumé : (auteur) Vehicle-trajectory prediction is essential for intelligent traffic systems (ITS), as it can help autonomous vehicles to plan a safe and efficient path. However, it is still a challenging task because existing studies have mainly focused on the spatial interactions of adjacent vehicles regardless of the temporal dependencies. In this paper, we propose a spatial-temporal attentive LSTM encoder–decoder model (STAM-LSTM) to predict vehicle trajectories. Specifically, the spatial attention mechanism is used to capture the spatial relationships among neighboring vehicles and then obtain the global spatial feature. Meanwhile, the temporal attention mechanism is designed to distinguish the effects of different historical time steps on future trajectory prediction. In addition, the motion feature of vehicles is extracted to reveal the influence of dynamic information on vehicle-trajectory prediction, and is combined with the local and global spatial features to represent the integrated features of the target vehicle at each historical moment. The experiments were conducted on public highway trajectory datasets—US-101 and I-80 in NGSIM—and the results demonstrate that our model achieves state-of-the-art prediction performance. Numéro de notice : A2022-549 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi11070354 Date de publication en ligne : 21/06/2022 En ligne : https://doi.org/10.3390/ijgi11070354 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101150 [article]

Spatially oriented convolutional neural network for spatial relation extraction from natural language texts / Qinjun Qiu in Transactions in GIS, vol 26 n° 2 (April 2022)  

Public [article]  inTransactions in GIS > vol 26 n° 2 (April 2022) . - pp 839 - 866 Titre : Spatially oriented convolutional neural network for spatial relation extraction from natural language texts Type de document : Article/Communication Auteurs : Qinjun Qiu, Auteur ; Zhong Xie, Auteur ; Kai Ma, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 839 - 866 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] appariement sémantique [Termes IGN] apprentissage dirigé [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] exploration de données [Termes IGN] langage naturel (informatique) [Termes IGN] proximité sémantique [Termes IGN] relation spatiale [Termes IGN] relation topologique [Termes IGN] site wiki [Termes IGN] spatial metrics [Termes IGN] système à base de connaissances Résumé : (auteur) Spatial relation extraction (e.g., topological relations, directional relations, and distance relations) from natural language descriptions is a fundamental but challenging task in several practical applications. Current state-of-the-art methods rely on rule-based metrics, either those specifically developed for extracting spatial relations or those integrated in methods that combine multiple metrics. However, these methods all rely on developed rules and do not effectively capture the characteristics of natural language spatial relations because the descriptions may be heterogeneous and vague and may be context sparse. In this article, we present a spatially oriented piecewise convolutional neural network (SP-CNN) that is specifically designed with these linguistic issues in mind. Our method extends a general piecewise convolutional neural network with a set of improvements designed to tackle the task of spatial relation extraction. We also propose an automated workflow for generating training datasets by integrating new sentences with those in a knowledge base, based on string similarity and semantic similarity, and then transforming the sentences into training data. We exploit a spatially oriented channel that uses prior human knowledge to automatically match words and understand the linguistic clues to spatial relations, finally leading to an extraction decision. We present both the qualitative and quantitative performance of the proposed methodology using a large dataset collected from Wikipedia. The experimental results demonstrate that the SP-CNN, with its supervised machine learning, can significantly outperform current state-of-the-art methods on constructed datasets. Numéro de notice : A2022-365 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1111/tgis.12887 Date de publication en ligne : 27/12/2021 En ligne : https://doi.org/10.1111/tgis.12887 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100584 [article]

Identification de relations spatiales par apprentissage profond sur des graphes / Azelle Courtial in Cartes & Géomatique, n° 247-248 (mars-juin 2022)

Public [article]  inCartes & Géomatique > n° 247-248 (mars-juin 2022) . - pp 77 - 80 Titre : Identification de relations spatiales par apprentissage profond sur des graphes Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Année de publication : 2022 Conférence : ICC 2021, 30th ICA international cartographic conference 14/12/2021 18/12/2021 Florence Italie Article en page(s) : pp 77 - 80 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes IGN] alignement [Termes IGN] apprentissage profond [Termes IGN] généralisation cartographique automatisée [Termes IGN] relation spatiale [Termes IGN] réseau neuronal convolutif [Termes IGN] réseau routier [Vedettes matières IGN] Généralisation Résumé : (Auteur) L'identification des structures et relations spatiales est une tâche clé de la généralisation cartographique automatique. Dans cet article, nous explorons le potentiel des réseaux d'apprentissage profond par convolution sur des graphes (GCN) pour apprendre à identifier des relations spatiales à travers deux cas d'études : la détection d'alignement et la sélection du réseau routier. Nos résultats sont plutôt encourageants et mettent en lumière les enjeux liés à la construction et l'enrichissement d'une structure de graphes adaptée à la tâche dont on désire l'apprentissage. Numéro de notice : A2022-679 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101900 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
021-2022011	SL	Revue	Centre de documentation	Revues en salle	Disponible

A geographically weighted artificial neural network / Julian Haguenauer in International journal of geographical information science IJGIS, vol 36 n° 2 (February 2022)  

Permalink

Quickly locating POIs in large datasets from descriptions based on improved address matching and compact qualitative representations / Ruozhen Cheng in Transactions in GIS, vol 26 n° 1 (February 2022)  

Permalink

Generating geographical location descriptions with spatial templates: a salient toponym driven approach / Mark M. Hall in International journal of geographical information science IJGIS, vol 36 n° 1 (January 2022)  

Permalink

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

Permalink

Predicting user activity intensity using geographic interactions based on social media check-in data / Jing Li in ISPRS International journal of geo-information, vol 10 n° 8 (August 2021)  

Permalink

Can graph convolution networks learn spatial relations? / Azelle Courtial (2021)  

Permalink

Création de bases de connaissances topographiques à partir de sources hétérogènes / Helen Mair Rawsthorne (2021)  

Permalink

Learning embeddings for cross-time geographic areas represented as graphs / Margarita Khokhlova (2021)  

Permalink

Mining regional patterns of land use with adaptive adjacent criteria / Xinmeng Tu in Cartography and Geographic Information Science, Vol 47 n° 5 (September 2020)  

Permalink

Optimiser la gestion conjointe de la voirie et des réseaux enterrés à l'aide de la géomatique : conception d'un référentiel spatial de voirie / Antonin Pavard (2020)  

Permalink