Centre dedocumentation
scientifique

Bretagne, la végétation cartographiée / Marielle Mayo in Géomètre, n° 2185 (novembre 2020)

Public [article]  inGéomètre > n° 2185 (novembre 2020) . - pp 46 - 49 Titre : Bretagne, la végétation cartographiée Type de document : Article/Communication Auteurs : Marielle Mayo, Auteur Année de publication : 2020 Article en page(s) : pp 46 - 49 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Cartographie thématique [Termes descripteurs IGN] 1:25.000 [Termes descripteurs IGN] acquisition d'images [Termes descripteurs IGN] aménagement régional [Termes descripteurs IGN] appariement semi-automatique [Termes descripteurs IGN] ArcGIS [Termes descripteurs IGN] BD ortho [Termes descripteurs IGN] Bretagne [Termes descripteurs IGN] carte de la végétation [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] données localisées [Termes descripteurs IGN] données publiques [Termes descripteurs IGN] écologie végétale [Termes descripteurs IGN] image infrarouge couleur [Termes descripteurs IGN] image proche infrarouge [Termes descripteurs IGN] modèle orienté objet Résumé : (Auteur) Une cartographie inédite de la végétation de Bretagne sera accessible en totalité en ligne en décembre. Produite par télédétection grâce à une méthode semi-automatisée innovante, elle répond aux nouveaux besoins des acteurs de la biodiversité et de l'aménagement du territoire. Numéro de notice : A2020-707 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/FORET/IMAGERIE Nature : Article nature-HAL : ArtSansCL DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96281 [article]

Object-based classification of mixed forest types in Mongolia / E. Nyamjargal in Geocarto international, vol 35 n° 14 ([15/10/2020])  

Public [article]  inGeocarto international > vol 35 n° 14 [15/10/2020] . - pp 1615 - 1626 Titre : Object-based classification of mixed forest types in Mongolia Type de document : Article/Communication Auteurs : E. Nyamjargal, Auteur ; D. Amarsaikhan, Auteur ; A. Munkh-Erdene, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1615 - 1626 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse d'image orientée objet [Termes descripteurs IGN] approche hiérarchique [Termes descripteurs IGN] approche pixel [Termes descripteurs IGN] carte forestière [Termes descripteurs IGN] classification bayesienne [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] forêt [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] image multitemporelle [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] méthode du maximum de vraisemblance (estimation) [Termes descripteurs IGN] Mongolie [Termes descripteurs IGN] peuplement mélangé Résumé : (auteur) The aim of this study is to produce updated forest map of the Bogdkhan Mountain, Mongolia using multitemporal Sentinel-2A images. The target area has highly mixed forest types and it is very difficult to differentiate the fuzzy boundaries among different forest types. To extract the forest class information, an object-based classification technique is applied and a rule-base to separate the mixed classes is developed. The rule-base uses a hierarchy of rules describing different conditions under which the actual classification has to be performed. To compare the result of the developed method with a result of a pixel-based approach, a Bayesian maximum likelihood classification is applied. The final result indicates overall accuracy of 90.87% for the object-based classification, while for the pixel-based approach it is 79.89%. Overall, the research indicates that the object-based method that uses a thoroughly defined segmentation and a well-constructed rule-base can significantly improve the classification of mixed forest types and produce of a reliable forest map. Numéro de notice : A2020-619 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1583775 date de publication en ligne : 10/06/2019 En ligne : https://doi.org/10.1080/10106049.2019.1583775 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95995 [article]

Ensemble learning for hyperspectral image classification using tangent collaborative representation / Hongjun Su 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) . - pp 3778 - 3790 Titre : Ensemble learning for hyperspectral image classification using tangent collaborative representation Type de document : Article/Communication Auteurs : Hongjun Su, Auteur ; Yao Yu, Auteur ; Qian Du, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 3778 - 3790 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse d'image numérique [Termes descripteurs IGN] boosting adapté [Termes descripteurs IGN] Bootstrap (statistique) [Termes descripteurs IGN] classification [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] conception collaborative [Termes descripteurs IGN] données d'apprentissage [Termes descripteurs IGN] échantillon [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] neurone artificiel [Termes descripteurs IGN] performance [Termes descripteurs IGN] régression Résumé : (auteur) Recently, collaborative representation classification (CRC) has attracted much attention for hyperspectral image analysis. In particular, tangent space CRC (TCRC) has achieved excellent performance for hyperspectral image classification in a simplified tangent space. In this article, novel Bagging-based TCRC (TCRC-bagging) and Boosting-based TCRC (TCRC-boosting) methods are proposed. The main idea of TCRC-bagging is to generate diverse TCRC classification results using the bootstrap sample method, which can enhance the accuracy and diversity of a single classifier simultaneously. For TCRC-boosting, it can provide the most informative training samples by changing their distributions dynamically for each base TCRC learner. The effectiveness of the proposed methods is validated using three real hyperspectral data sets. The experimental results show that both TCRC-bagging and TCRC-boosting outperform their single classifier counterpart. In particular, the TCRC-boosting provides superior performance compared with the TCRC-bagging. Numéro de notice : A2020-280 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2957135 date de publication en ligne : 01/01/2020 En ligne : https://doi.org/10.1109/TGRS.2019.2957135 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95100 [article]

Discrimination of different sea ice types from CryoSat-2 satellite data using an Object-based Random Forest (ORF) / Su Shu in Marine geodesy, Vol 43 n° 3 (May 2020)  

Public [article]  inMarine geodesy > Vol 43 n° 3 (May 2020) . - pp 213 - 233 Titre : Discrimination of different sea ice types from CryoSat-2 satellite data using an Object-based Random Forest (ORF) Type de document : Article/Communication Auteurs : Su Shu, Auteur ; Xinghua Zhou, Auteur ; Zhanchi Liu, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 213 - 233 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] Arctique, océan [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] forme d'onde [Termes descripteurs IGN] glace de mer [Termes descripteurs IGN] image Cryosat Résumé : (Auteur) Sea ice type is one of the most sensitive variables in Arctic sea ice monitoring, and it is important for the retrieval of ice thickness. In this study, we analyzed various waveform features that characterize the echo waveform shape and Sigma0 (i.e., backscatter coefficient) of CryoSat-2 synthetic aperture radar altimeter data over different sea ice types. Arctic and Antarctic Research Institute operational ice charts were input as reference. An object-based random forest (ORF) classification method is proposed with overall classification accuracy of 90.1%. Accuracy of 92.7% was achieved for first-year ice (FYI), which is the domain ice type in the Arctic. Accuracy of 76.7% was achieved at the border of FYI and multiyear ice (MYI), which is better than current state-of-the-art methods. Accuracy of 83.8% was achieved for MYI. Results showed the overall accuracy of the ORF method was increased by ∼8% in comparison with other methods, and the classification accuracy at the border of FYI and MYI was increased by ∼10.5%. Nevertheless, ORF classification performance might be influenced by the selected waveform features, snow loading, and the ability to distinguish sea ice from leads. Numéro de notice : A2020-183 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/01490419.2019.1671560 date de publication en ligne : 21/10/2019 En ligne : https://doi.org/10.1080/01490419.2019.1671560 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94971 [article]

Classification and segmentation of mining area objects in large-scale spares Lidar point cloud using a novel rotated density network / Yueguan Yan in ISPRS International journal of geo-information, vol 9 n° 3 (March 2020)  

Public [article]  inISPRS International journal of geo-information > vol 9 n° 3 (March 2020) . - 19 p. Titre : Classification and segmentation of mining area objects in large-scale spares Lidar point cloud using a novel rotated density network Type de document : Article/Communication Auteurs : Yueguan Yan, Auteur ; Haixu Yan, Auteur ; Junting Guo, Auteur ; Huayang Dai, Auteur Année de publication : 2020 Article en page(s) : 19 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification barycentrique [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] corrélation automatique de points homologues [Termes descripteurs IGN] densité des points [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] objet 3D [Termes descripteurs IGN] reconnaissance d'objets [Termes descripteurs IGN] semis de points clairsemés Résumé : (auteur) The classification and segmentation of large-scale, sparse, LiDAR point cloud with deep learning are widely used in engineering survey and geoscience. The loose structure and the non-uniform point density are the two major constraints to utilize the sparse point cloud. This paper proposes a lightweight auxiliary network, called the rotated density-based network (RD-Net), and a novel point cloud preprocessing method, Grid Trajectory Box (GT-Box), to solve these problems. The combination of RD-Net and PointNet was used to achieve high-precision 3D classification and segmentation of the sparse point cloud. It emphasizes the importance of the density feature of LiDAR points for 3D object recognition of sparse point cloud. Furthermore, RD-Net plus PointCNN, PointNet, PointCNN, and RD-Net were introduced as comparisons. Public datasets were used to evaluate the performance of the proposed method. The results showed that the RD-Net could significantly improve the performance of sparse point cloud recognition for the coordinate-based network and could improve the classification accuracy to 94% and the segmentation per-accuracy to 70%. Additionally, the results concluded that point-density information has an independent spatial–local correlation and plays an essential role in the process of sparse point cloud recognition. Numéro de notice : A2020-256 Affiliation des auteurs : non IGN Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 0.3390/ijgi9030182 date de publication en ligne : 24/03/2020 En ligne : https://doi.org/10.3390/ijgi9030182 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95012 [article]

3D iterative spatiotemporal filtering for classification of multitemporal satellite data sets / Hessah Albanwan in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 1 (January 2020)  

Permalink

Classification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery / H. Tombul in Journal of geodetic science, vol 10 n° 1 (janvier 2020)  

Permalink

Identification of alpine glaciers in the central Himalayas using fully polarimetric L-Band SAR data / Guo-Hui Yao in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)  

Permalink

Satellite image time series classification with pixel-set encoders and temporal self-attention / Vivien Sainte Fare Garnot (2020)    

Permalink

Half a percent of labels is enough: efficient animal detection in UAV imagery using deep CNNs and active learning / Benjamin Kellenberger in IEEE Transactions on geoscience and remote sensing, vol 57 n° 12 (December 2019)  

Permalink

Scene context-driven vehicle detection in high-resolution aerial images / Chao Tao in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)  

Permalink

Delineation of vacant building land using orthophoto and lidar data object classification / Dejan Jenko in Geodetski vestnik, vol 63 n° 3 (September - November 2019)  

Permalink

Exploring the synergy between Landsat and ASAR towards improving thematic mapping accuracy of optical EO data / Alexander Cass in Applied geomatics, vol 11 n° 3 (September 2019)  

Permalink

A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm / Ana Claudia Dos Santos Luciano in International journal of applied Earth observation and geoinformation, vol 80 (August 2019)  

Permalink

3D hyperspectral point cloud generation: Fusing airborne laser scanning and hyperspectral imaging sensors for improved object-based information extraction / Maximilian Brell in ISPRS Journal of photogrammetry and remote sensing, vol 149 (March 2019)  

Permalink