Centre dedocumentation
scientifique

Region level SAR image classification using deep features and spatial constraints / Anjun Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 163 (May 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 163 (May 2020) . - pp 36-48 Titre : Region level SAR image classification using deep features and spatial constraints Type de document : Article/Communication Auteurs : Anjun Zhang, Auteur ; Xuezhi Yang, Auteur ; Shuai Fang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 36-48 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] champ aléatoire de Markov [Termes descripteurs IGN] chatoiement [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] lissage de données [Termes descripteurs IGN] modélisation spatiale [Termes descripteurs IGN] précision de la classification [Termes descripteurs IGN] superpixel Résumé : (auteur) The region-level SAR image classification algorithms which combine CNN (Convolutional Neural Networks) with super-pixel have been proposed to enhance the classification accuracy compared with the pixel-level algorithms. However, the spatial constraints between the super-pixel regions are not considered, which may limit the performance of these algorithms. To address this problem, an RCC-MRF (RCC, Region Category Confidence-degree) and CNN based region-level SAR image classification algorithm which explores the deep features extracted by CNN and the spatial constraints between super-pixel regions is proposed in this paper. The initial labels of super-pixel regions are obtained using a voting strategy based on the predicted labels CNN. The unary energy function of RCC-MRF is designed to find the category that a region most probably belongs to by using the RCC term which is constructed based on the probability distributions over all categories of pixels predicted by CNN. The binary energy function of RCC-MRF explores the spatial constraints between the adjacent super-pixel regions. In our proposed algorithm, the pixel-level misclassifications can be reduced by the smoothing within regions and the region-level misclassifications will be rectified by minimizing the energy function of RCC-MRF. Experiments have been done on simulated and real SAR images to evaluate the performance of the proposed algorithm. The experimental results demonstrate that the proposed algorithm notably outperforms the other CNN-based region-level SAR image classification algorithms. Numéro de notice : A2020-136 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.03.001 date de publication en ligne : 07/03/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.03.001 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94752 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020051	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020053	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020052	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

A convolutional neural network approach for counting and geolocating citrus-trees in UAV multispectral imagery / Lucas Prado Osco in ISPRS Journal of photogrammetry and remote sensing, vol 160 (February 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 160 (February 2020) . - pp 97 - 106 Titre : A convolutional neural network approach for counting and geolocating citrus-trees in UAV multispectral imagery Type de document : Article/Communication Auteurs : Lucas Prado Osco, Auteur ; Mauro Dos Santos de Arruda, Auteur ; José Marcato Junior, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 97 - 106 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] agrume [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] Brésil [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] détection d'arbres [Termes descripteurs IGN] géolocalisation [Termes descripteurs IGN] image de drone [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] inventaire de la végétation [Termes descripteurs IGN] réseau neuronal convolutif [Termes descripteurs IGN] verger Résumé : (Auteur) Visual inspection has been a common practice to determine the number of plants in orchards, which is a labor-intensive and time-consuming task. Deep learning algorithms have demonstrated great potential for counting plants on unmanned aerial vehicle (UAV)-borne sensor imagery. This paper presents a convolutional neural network (CNN) approach to address the challenge of estimating the number of citrus trees in highly dense orchards from UAV multispectral images. The method estimates a dense map with the confidence that a plant occurs in each pixel. A flight was conducted over an orchard of Valencia-orange trees planted in linear fashion, using a multispectral camera with four bands in green, red, red-edge and near-infrared. The approach was assessed considering the individual bands and their combinations. A total of 37,353 trees were adopted in point feature to evaluate the method. A variation of σ (0.5; 1.0 and 1.5) was used to generate different ground truth confidence maps. Different stages (T) were also used to refine the confidence map predicted. To evaluate the robustness of our method, we compared it with two state-of-the-art object detection CNN methods (Faster R-CNN and RetinaNet). The results show better performance with the combination of green, red and near-infrared bands, achieving a Mean Absolute Error (MAE), Mean Square Error (MSE), R2 and Normalized Root-Mean-Squared Error (NRMSE) of 2.28, 9.82, 0.96 and 0.05, respectively. This band combination, when adopting σ = 1 and a stage (T = 8), resulted in an R2, MAE, Precision, Recall and F1 of 0.97, 2.05, 0.95, 0.96 and 0.95, respectively. Our method outperforms significantly object detection methods for counting and geolocation. It was concluded that our CNN approach developed to estimate the number and geolocation of citrus trees in high-density orchards is satisfactory and is an effective strategy to replace the traditional visual inspection method to determine the number of plants in orchards trees. Numéro de notice : A2020-045 Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.12.010 date de publication en ligne : 18/12/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.12.010 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94525 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020021	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020023	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020022	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Multiview marker-free registration of forest terrestrial laser scanner data with embedded confidence metrics / David Kelbe in IEEE Transactions on geoscience and remote sensing, vol 55 n° 2 (February 2017)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 55 n° 2 (February 2017) . - pp 729 - 741 Titre : Multiview marker-free registration of forest terrestrial laser scanner data with embedded confidence metrics Type de document : Article/Communication Auteurs : David Kelbe, Auteur ; Jan Van Aardt, Auteur ; Paul Romanczyk, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 729 - 741 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] acquisition de données [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] forêt [Termes descripteurs IGN] mesure géométrique [Termes descripteurs IGN] New York (Etats-Unis ; état) [Termes descripteurs IGN] numérisation [Termes descripteurs IGN] structure d'un peuplement forestier [Termes descripteurs IGN] superposition Résumé : (Auteur) Terrestrial laser scanning has demonstrated increasing potential for rapid comprehensive measurement of forest structure, especially when multiple scans are spatially registered in order to reduce the limitations of occlusion. Although marker-based registration techniques (based on retro-reflective spherical targets) are commonly used in practice, a blind marker-free approach is preferable, insofar as it supports rapid operational data acquisition. To support these efforts, we extend the pairwise registration approach of our earlier work, and develop a graph-theoretical framework to perform blind marker-free global registration of multiple point cloud data sets. Pairwise pose estimates are weighted based on their estimated error, in order to overcome pose conflict while exploiting redundant information and improving precision. The proposed approach was tested for eight diverse New England forest sites, with 25 scans collected at each site. Quantitative assessment was provided via a novel embedded confidence metric, with a mean estimated root-mean-square error of 7.2 cm and 89% of scans connected to the reference node. This paper assesses the validity of the embedded multiview registration confidence metric and evaluates the performance of the proposed registration algorithm. Numéro de notice : A2017-142 Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern En ligne : http://dx.doi.org/10.1109/TGRS.2016.2614251 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84630 [article]

Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR / Stéphane Guinard (2017)  

Public contenu dans ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur, 12 - 16 juin 2017 au Club Belambra “Omaha Beach” Le Cavey à Colleville-sur-Mer (Normandie) / Laboratoire Groupe de Recherche en Informatique, Image, Automatique et Instrumentation de Caen (Campus 2 - Pôle Sciences et technologies de l’Université de Caen, Caen, France) (2017)   Titre : Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR Titre original : Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds Type de document : Article/Communication Auteurs : Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur ; Bruno Vallet , Auteur Congrès : ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur (12 - 16 juin 2017; Colleville-sur-Mer, France) , Commanditaire Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2017 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points Résumé : (auteur) Nous traitons le problème de la classification sémantique de nuages de points 3D LIDAR pour les scènes urbaines à partir d'un jeu d'apprentissage limité. Nous introduisons un modèle de segmentation non paramétrique pour les scènes urbaines formées par des objets anthropiques de formes simples. Notre modèle segmente la scène en régions géométriquement homogènes dont la taille est automatiquement déterminée par la complexité de la géométrie locale. Cette segmentation peut ensuite être intégrée dans un CRF (Conditional Random Field) afin de modéliser la structure globale de la scène. Cela nous permet d'agréger, pour chaque groupe de points, les prédictions bruitées d'une classification faiblement supervisée. Nous démontrons l'efficacité de notre méthode sur deux jeux de données en accès libre. Numéro de notice : C2017-033 Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans En ligne : https://hal.archives-ouvertes.fr/hal-01499571 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89297

Voir aussi

• Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)  

Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)  

Public contenu dans ISPRS Hannover Workshop: HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 / International society for photogrammetry and remote sensing (2017)   Titre : Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds Type de document : Article/Communication Auteurs : Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur Congrès : ISPRS 2017 Workshops HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 (6 - 9 juin 2017; Hanovre, Allemagne), Commanditaire Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2017 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. XLII-1-W1 Importance : 7 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points Résumé : (auteur) We consider the problem of the semantic classification of 3D LiDAR point clouds obtained from urban scenes when the training set is limited. We propose a non-parametric segmentation model for urban scenes composed of anthropic objects of simple shapes, partionning the scene into geometrically-homogeneous segments which size is determined by the local complexity. This segmentation can be integrated into a conditional random field classifier (CRF) in order to capture the high-level structure of the scene. For each cluster, this allows us to aggregate the noisy predictions of a weakly-supervised classifier to produce a higher confidence data term. We demonstrate the improvement provided by our method over two publicly-available large-scale data sets. Numéro de notice : C2017-034 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLII-1-W1-151-2017 date de publication en ligne : 31/05/2017 En ligne : https://doi.org/10.5194/isprs-archives-XLII-1-W1-151-2017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89327

Voir aussi

• Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR / Stéphane Guinard (2017)  

Systematic effects in laser scanning and visualization by confidence regions / Karl Rudolf Koch in Journal of applied geodesy, vol 10 n° 4 (December 2016)  

Permalink

3D watertight mesh generation with uncertainties from ubiquitous data / Laurent Caraffa (2016)  

Permalink

A Random Forest class memberships based wrapper band selection criterion : application to hyperspectral / Arnaud Le Bris (2015)  

Permalink

Assessing reference dataset representativeness through confidence metrics based on information density / Giorgos Mountrakis in ISPRS Journal of photogrammetry and remote sensing, vol 78 (April 2013)

Permalink

Semisupervised classification of remote sensing images with active queries / Jordi Munoz-Mari in IEEE Transactions on geoscience and remote sensing, vol 50 n° 10 Tome 1 (October 2012)  

Permalink

Classifications hiérarchiques orientées objet / Olivier de Joinville (2009)

Permalink

Evaluation de la qualité d'une cartographie urbaine à l'aide d'images aériennes à haute résolution / Olivier de Joinville (2001)

Permalink

Production de modèles numériques de terrain par interférométrie et radargrammétrie / Stéphane Dupont in Bulletin [Société Française de Photogrammétrie et Télédétection], n° 148 (Octobre 1997)

Permalink