Centre dedocumentation
scientifique

Spatially sensitive statistical shape analysis for pedestrian recognition from LIDAR data / Michalis A. Savelonas in Computer Vision and image understanding, vol 171 (June 2018)  

Public [article]  inComputer Vision and image understanding > vol 171 (June 2018) . - pp 1 - 9 Titre : Spatially sensitive statistical shape analysis for pedestrian recognition from LIDAR data Type de document : Article/Communication Auteurs : Michalis A. Savelonas, Auteur ; Ioannis Pratikakis, Auteur ; Theoharis Theoharis, Auteur ; Georgios Thanellas, Auteur ; et al., Auteur Année de publication : 2018 Article en page(s) : pp 1 - 9 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] analyse comparative [Termes descripteurs IGN] analyse de sensibilité [Termes descripteurs IGN] analyse spatiale [Termes descripteurs IGN] classification barycentrique [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] codage [Termes descripteurs IGN] détection de piéton [Termes descripteurs IGN] discrétisation spatiale [Termes descripteurs IGN] distribution de Fisher [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] échantillonnage de données [Termes descripteurs IGN] image à basse résolution [Termes descripteurs IGN] reconnaissance de formes Résumé : (auteur) Range-based pedestrian recognition is instrumental towards the development of autonomous driving and driving assistance systems. This work introduces encoding methods for pedestrian recognition, based on statistical shape analysis of 3D LIDAR data. The proposed approach has two variants, based on the encoding of local shape descriptors either in a spatially agnostic or spatially sensitive fashion. The latter method derives more detailed cues, by enriching the ‘gross’ information reflected by overall statistics of local shape descriptors, with ‘fine-grained’ information reflected by statistics associated with spatial clusters. Experiments on artificial LIDAR datasets, which include challenging samples, as well as on a large scale dataset of real LIDAR data, lead to the conclusion that both variants of the proposed approach (i) obtain high recognition accuracy, (ii) are robust against low-resolution sampling, (iii) are robust against increasing distance, and (iv) are robust against non-standard shapes and poses. On the other hand, the spatially-sensitive variant is more robust against partial occlusion and bad clustering. Numéro de notice : A2018-586 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.cviu.2018.06.001 date de publication en ligne : 15/06/2018 En ligne : https://www.sciencedirect.com/science/article/pii/S1077314218300766 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92439 [article]

Introduction to Deep Learning / Sandro Skansi (2018)  

Public Titre : Introduction to Deep Learning : From Logical Calculus to Artificial Intelligence Type de document : Monographie Auteurs : Sandro Skansi, Auteur Editeur : Springer Nature Année de publication : 2018 Importance : 196 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-3-319-73004-2 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification [Termes descripteurs IGN] codage [Termes descripteurs IGN] estimation par noyau [Termes descripteurs IGN] matrice de covariance [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] Python (langage de programmation) [Termes descripteurs IGN] régression logistique [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] réseau neuronal convolutif [Termes descripteurs IGN] sciences cognitives [Termes descripteurs IGN] théorie des probabilités Résumé : (auteur) This textbook presents a concise, accessible and engaging first introduction to deep learning, offering a wide range of connectionist models which represent the current state-of-the-art. The text explores the most popular algorithms and architectures in a simple and intuitive style, explaining the mathematical derivations in a step-by-step manner. The content coverage includes convolutional networks, LSTMs, Word2vec, RBMs, DBNs, neural Turing machines, memory networks and autoencoders. Numerous examples in working Python code are provided throughout the book, and the code is also supplied separately at an accompanying website. Topics and features: Introduces the fundamentals of machine learning, and the mathematical and computational prerequisites for deep learning Discusses feed-forward neural networks, and explores the modifications to these which can be applied to any neural network Examines convolutional neural networks, and the recurrent connections to a feed-forward neural network Describes the notion of distributed representations, the concept of the autoencoder, and the ideas behind language processing with deep learning Presents a brief history of artificial intelligence and neural networks, and reviews interesting open research problems in deep learning and connectionism This clearly written and lively primer on deep learning is essential reading for graduate and advanced undergraduate students of computer science, cognitive science and mathematics, as well as fields such as linguistics, logic, philosophy, and psychology. Note de contenu : 1- From Logic to Cognitive Science 2- Mathematical and Computational Prerequisites 3- Machine Learning Basics 4- Feedforward Neural Networks 5- Modifications and Extensions to a Feed-Forward Neural Network 6- Convolutional Neural Networks 7- Recurrent Neural Networks 8- Autoencoders 9- Neural Language Models 10- An Overview of Different Neural Network Architectures 11- Conclusion Numéro de notice : 25787 Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Monographie En ligne : https://doi.org/10.1007/978-3-319-73004-2 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94990

Unsupervised feature learning for land-use scene recognition / Jiayuan Fan in IEEE Transactions on geoscience and remote sensing, vol 55 n° 4 (April 2017)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 55 n° 4 (April 2017) . - pp 2250 - 2261 Titre : Unsupervised feature learning for land-use scene recognition Type de document : Article/Communication Auteurs : Jiayuan Fan, Auteur ; Tao Chen, Auteur ; Shijian Lu, Auteur Année de publication : 2017 Article en page(s) : pp 2250 - 2261 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] algorithme d'apprentissage [Termes descripteurs IGN] analyse discriminante [Termes descripteurs IGN] codage [Termes descripteurs IGN] image proche infrarouge [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] invariant [Termes descripteurs IGN] pouvoir de résolution géométrique [Termes descripteurs IGN] reconnaissance automatique [Termes descripteurs IGN] Singapour [Termes descripteurs IGN] utilisation du sol Résumé : (Auteur) This paper proposes a novel unsupervised feature learning algorithm for land-use scene recognition on very high resolution remote sensing imagery. The proposed technique utilizes a multipath sparse coding architecture in order to capture multiple aspects of discriminative structures within complex remote sensing sceneries. Unlike the previous sparse coding and bag-of-visual-words-based techniques that rely on the handcrafted feature descriptors such as scale-invariant feature transform, the proposed technique extracts dense low-level features from the raw data, including the visual (RGB) data and near-infrared (NIR) data, using image patches of varying sizes at different layers. The proposed technique has been evaluated on three data sets, including the 21-category UC Merced landuse RGB data set with a 1-ft spatial resolution, the 9-category ground scene RGB-NIR data set, and the 10-category Singapore land-use RGB-NIR data set with a 0.5-m spatial resolution. The experimental results show that the proposed technique outperforms the state-of-the-art methods. Numéro de notice : A2107-174 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern En ligne : http://dx.doi.org/10.1109/TGRS.2016.2640186 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84723 [article]

Adaptive spectral–spatial compression of hyperspectral image with sparse representation / Wei Fu 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 671 - 682 Titre : Adaptive spectral–spatial compression of hyperspectral image with sparse representation Type de document : Article/Communication Auteurs : Wei Fu, Auteur ; Shutao Li, Auteur ; Leyuan Fang, Auteur ; Jon Atli Benediktsson, Auteur Année de publication : 2017 Article en page(s) : pp 671 - 682 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] codage [Termes descripteurs IGN] compression d'image [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] pixel [Termes descripteurs IGN] représentation parcimonieuse [Termes descripteurs IGN] zone homogène Résumé : (Auteur) Sparse representation (SR) can transform spectral signatures of hyperspectral pixels into sparse coefficients with very few nonzero entries, which can efficiently be used for compression. In this paper, a spectral-spatial adaptive SR (SSASR) method is proposed for hyperspectral image (HSI) compression by taking advantage of the spectral and spatial information of HSIs. First, we construct superpixels, i.e., homogeneous regions with adaptive sizes and shapes, to describe HSIs. Since homogeneous regions usually consist of similar pixels, pixels within each superpixel will be similar and share similar spectral signatures. Then, the spectral signatures of each superpixel can be simultaneously coded in the SR model to exploit their joint sparsity. Since different superpixels generally have different performances of SR, their rate-distortion performances in the sparse coding will be different. To achieve the best possible overall rate-distortion performance, an adaptive coding scheme is introduced to adaptively assign distortions to superpixels. Finally, the obtained sparse coefficients are quantized and entropy coded and constitute the final bitstream with the coded superpixel map. The experimental results over several HSIs show that the proposed SSASR method outperforms some state-of-the-art HSI compression methods in terms of the rate-distortion and spectral fidelity performances. Numéro de notice : A2017-141 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern En ligne : http://dx.doi.org/10.1109/TGRS.2016.2613848 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84629 [article]

Retina-inspired image and video coding / Effrosyni Doutsi (2017)  

Public Titre : Retina-inspired image and video coding Titre original : Compression d'images et de vidéos inspirée du fonctionnement de la rétine Type de document : Thèse/HDR Auteurs : Effrosyni Doutsi, Auteur ; Lionel Fillatre, Directeur de thèse ; Marc Antonini, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2017 Importance : 183 p. Format : 21 x 30 cm Note générale : Bibliographie PhD Thesis, a dissertation submitted in partial satisfaction of the requirements for the degree of Doctor of Science Specialized in Signal and Image Processing, Université Côte d'Azur Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] algorithme de filtrage [Termes descripteurs IGN] codage [Termes descripteurs IGN] compression d'image [Termes descripteurs IGN] entropie de Shannon [Termes descripteurs IGN] filtre numérique [Termes descripteurs IGN] format JPEG [Termes descripteurs IGN] format JPEG2000 [Termes descripteurs IGN] optique [Termes descripteurs IGN] support optique [Termes descripteurs IGN] vision Index. décimale : THESE Thèses et HDR Résumé : (auteur) Cette thèse vise à proposer une nouvelle architecture de codage vidéo qui s’inspire du système visuel et de la rétine. La rétine peut être considérée comme une machine intelligente qui traite le stimulus visuel de façon très efficace. De ce fait, elle représente donc un bon candidat pour développer de nouveaux systèmes de traitement d’image. Il y a plusieurs raisons pour cela, tout d’abord parce qu’elle consomme peu d’énergie, elle traite également des entrées haute résolution et sa façon de transformer et d’encoder de manière dynamique le stimulus visuel dépasse les normes actuelles. Nous avons été motivés pour étudier et proposer un codec vidéo inspiré de la rétine. L’algorithme proposé a été appliqué à un flux vidéo d’une manière très simple, suivant le principe des standards de codage MJPEG ou MJPEG2000. Cette approche permet au lecteur d’étudier et d’explorer tous les avantages du traitement dynamique de la rétine en termes de compression et de traitement d’image. La performance actuelle du codec que nous avons développé est très prometteuse. Les résultats montrent des performances supérieures à MJPEG pour des débits inférieurs à 100 kbps et MPEG-2 pour des débits supérieurs à 70 kpbs. De plus, à faibles débits le codec proposé décrit mieux le contenu de la scène d’entrée. De nombreuses perspectives sont proposées afin d’améliorer ce codec inspiré de la rétine qui semblent conduire à un nouveau paradigme de compression vidéo. Nous espérons que ce manuscrit sera un outil utile pour tous les chercheurs qui voudraient, au delà de l'étude de la capacité perceptive du système visuel, comprendre comment la structure et les fonctions de cette machine efficace peuvent en pratique améliorer les algorithmes de codage. Note de contenu : Introduction 1 - State of the art 2 - Dynamic filtering 3 - Dynamic quantization 4 - Applications Conclusion Numéro de notice : 21577 Thématique : IMAGERIE Nature : Thèse française Note de thèse : PhD Thesis : Signal and Image Processing : Côte d'Azur : 2017 Organisme de stage : I3S Laboratory En ligne : http://www.theses.fr/2017AZUR4011 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90580

Sparsity, redundancy and robustness in artificial neural networks for learning and memory / Philippe Tigréat (2017)  

Permalink

Discriminative-dictionary-learning-based multilevel point-cluster features for ALS point-cloud classification / Zhenxin Zhang in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)  

Permalink

Sparse output coding for scalable visual recognition / Bin Zhao in International journal of computer vision, vol 119 n° 1 (August 2016)  

Permalink

A multilevel point-cluster-based discriminative feature for ALS point cloud classification / Zhenxin Zhang in IEEE Transactions on geoscience and remote sensing, vol 54 n° 6 (June 2016)  

Permalink

Toward a generalizable image representation for large-scale change detection : application to generic damage analysis / Lionel Gueguen in IEEE Transactions on geoscience and remote sensing, vol 54 n° 6 (June 2016)  

Permalink

Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques / Saadallah El Asmar (2016)  

Permalink

Théorie des codes : compression, cryptage, correction / J. G. Dumas (2013)

Permalink

L'art du beau code / Andy Oram (2008)

Permalink

Vector-lifting schemes for lossless coding and progressive archival of multispectral images / A. Benazza-Benyahia in IEEE Transactions on geoscience and remote sensing, vol 40 n° 9 (September 2002)

Permalink

A system for the automatic selection of conspicuous color sets for qualitative data display and visual interface design / P. Campadelli in IEEE Transactions on geoscience and remote sensing, vol 39 n° 10 (October 2001)

Permalink