Descripteur
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Context-aware convolutional neural network for object detection in VHR remote sensing imagery / Yiping Gong in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)
Titre : Context-aware convolutional neural network for object detection in VHR remote sensing imagery Type de document : Article/Communication Auteurs : Yiping Gong, Auteur ; Zhifeng Xiao, Auteur ; Xiaowei Tan, Auteur Année de publication : 2020 Article en page(s) : pp 34 - 44 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] analyse contextuelle
[Termes descripteurs IGN] classification par réseau neuronal convolutif
[Termes descripteurs IGN] description multiniveau
[Termes descripteurs IGN] détection d'objet
[Termes descripteurs IGN] extraction de traits caractéristiques
[Termes descripteurs IGN] image à très haute résolution
[Termes descripteurs IGN] vision par ordinateur
[Termes descripteurs IGN] zone d'intérêtRésumé : (auteur) Object detection in very-high-resolution (VHR) remote sensing imagery remains a challenge. Environmental factors, such as illumination intensity and weather, reduce image quality, resulting in poor feature representation and limited detection accuracy. To enrich the feature representation and mine the underlying context information among objects, this article proposes a context-aware convolutional neural network (CA-CNN) model for object detection that includes proposal generation, context feature extraction, feature fusion, and classification. During feature extraction, we propose integrating a context-regions-of-interests (Context-RoIs) mining layer into the CNN model and extracting context features by mapping Context-RoIs mined from the foreground proposals to multilevel feature maps. Finally, the context features extracted from multilevel layers are fused into a single layer, and the proposals represented by the fused features are classified by a softmax classifier. In this article, through numerous experiments, we thoroughly explore the influence of key factors, such as Context-RoIs, different feature scales, and different spatial context window sizes. Because of the end-to-end network design approach, our proposed model simultaneously maintains high efficiency and effectiveness. We conducted all model testing on the public NWPU VHR-10 data set. The experimental results demonstrate that our proposed CA-CNN model achieves significantly improved model performance and better detection results compared with the state-of-the-art methods. Numéro de notice : A2020-038 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2930246 date de publication en ligne : 23/09/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2930246 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94492
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 1 (January 2020) . - pp 34 - 44[article]Segmentation d'image par intégration itérative de connaissances / Mahaman Sani Chaibou Salaou (2019)
Titre : Segmentation d'image par intégration itérative de connaissances Type de document : Thèse/HDR Auteurs : Mahaman Sani Chaibou Salaou, Auteur ; Basel Solaiman, Directeur de thèse ; Mohamed Ali Mahjoub, Directeur de thèse Editeur : Institut Mines-Télécom Atlantique IMT Atlantique Année de publication : 2019 Autre Editeur : Université Bretagne Loire Importance : 148 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Ecole Nationale Supérieure Mines-Telecom Atlantique Bretagne Pays de la Loire, Spécialité : Signal, Image et VisionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] classification basée sur les régions
[Termes descripteurs IGN] classification par forêts aléatoires
[Termes descripteurs IGN] description multiniveau
[Termes descripteurs IGN] détection de région
[Termes descripteurs IGN] fusion de données
[Termes descripteurs IGN] interprétation automatique
[Termes descripteurs IGN] réseau neuronal artificiel
[Termes descripteurs IGN] segmentation d'image
[Termes descripteurs IGN] superpixel
[Termes descripteurs IGN] zone d'intérêtRésumé : (auteur) Le traitement d’images est un axe de recherche très actif depuis des années. L’interprétation des images constitue une de ses branches les plus importantes de par ses applications socio-économiques et scientifiques. Cependant cette interprétation, comme la plupart des processus de traitements d’images, nécessite une phase de segmentation pour délimiter les régions à analyser. En fait l’interprétation est un traitement qui permet de donner un sens aux régions détectées par la phase de segmentation. Ainsi, la phase d’interprétation ne pourra analyser que les régions détectées lors de la segmentation. Bien que l’objectif de l’interprétation automatique soit d’avoir le même résultat qu’une interprétation humaine, la logique des techniques classiques de ce domaine ne marie pas celle de l’interprétation humaine. La majorité des approches classiques d’interprétation d’images séparent la phase de segmentation et celle de l’interprétation. Les images sont d’abord segmentées puis les régions détectées sont interprétées. En plus, au niveau de la segmentation les techniques classiques parcourent les images de manière séquentielle, dans l’ordre de stockage des pixels. Ce parcours ne reflète pas nécessairement le parcours de l’expert humain lors de son exploration de l’image. En effet ce dernier commence le plus souvent par balayer l’image à la recherche d’éventuelles zones d’intérêts. Dans le cas échéant, il analyse les zones potentielles sous trois niveaux de vue pour essayer de reconnaitre de quel objet s’agit-il. Premièrement, il analyse la zone en se basant sur ses caractéristiques physiques. Ensuite il considère les zones avoisinantes de celle-ci et enfin il zoome sur toute l’image afin d’avoir une vue complète tout en considérant les informations locales à la zone et celles de ses voisines. Pendant son exploration, l’expert, en plus des informations directement obtenues sur les caractéristiques physiques de l’image, fait appel à plusieurs sources d’informations qu’il fusionne pour interpréter l’image. Ces sources peuvent inclure les connaissent acquises grâce à son expérience professionnelle, les contraintes existantes entre les objets de ce type d’images, etc. L’idée de l’approche présentée ici est que simuler l’activité visuelle de l’expert permettrait une meilleure compatibilité entre les résultats de l’interprétation et ceux de l’expert. Ainsi nous retenons de cette analyse trois aspects importants du processus d’interprétation d’image que nous allons modéliser dans l’approche proposée dans ce travail : 1. Le processus de segmentation n’est pas nécessairement séquentiel comme la plus part des techniques de segmentations qu’on rencontre, mais plutôt une suite de décisions pouvant remettre en cause leurs prédécesseurs. L’essentiel étant à la fin d’avoir la meilleure classification des régions. L’interprétation ne doit pas être limitée par la segmentation. 2. Le processus de caractérisation d’une zone d’intérêt n’est pas strictement monotone i.e. que l’expert peut aller d’une vue centrée sur la zone à vue plus large incluant ses voisines pour ensuite retourner vers la vue contenant uniquement la zone et vice-versa. 3. Lors de la décision plusieurs sources d’informations sont sollicitées et fusionnées pour une meilleure certitude. La modélisation proposée de ces trois niveaux met particulièrement l’accent sur les connaissances utilisées et le raisonnement qui mène à la segmentation des images. Note de contenu : Introduction générale
1- Segmentation pour l’interprétation de scène
2- Segmentation par propagation des connaissances
3- Croissance des régions adaptative
4- Similarité des superpixels par apprentissage
ConclusionsNuméro de notice : 25840 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Signal, Image et Vision : Ecole Nationale Supérieure Mines-Telecom Atlantique : 2019 DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02310224 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95181
Titre : Robust point cloud classification based on multi-level semantic relationships for urban scenes Type de document : Article/Communication Auteurs : Qing Zhu, Auteur ; Yuan Li, Auteur ; Han Hu, Auteur ; Bo Wu, Auteur Année de publication : 2017 Article en page(s) : pp 86 - 102 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes descripteurs IGN] champ aléatoire de Markov
[Termes descripteurs IGN] classification
[Termes descripteurs IGN] description multiniveau
[Termes descripteurs IGN] exploration de données géographiques
[Termes descripteurs IGN] relation sémantique
[Termes descripteurs IGN] voxel
[Termes descripteurs IGN] zone urbaineRésumé : (Auteur) The semantic classification of point clouds is a fundamental part of three-dimensional urban reconstruction. For datasets with high spatial resolution but significantly more noises, a general trend is to exploit more contexture information to surmount the decrease of discrimination of features for classification. However, previous works on adoption of contexture information are either too restrictive or only in a small region and in this paper, we propose a point cloud classification method based on multi-level semantic relationships, including point–homogeneity, supervoxel–adjacency and class–knowledge constraints, which is more versatile and incrementally propagate the classification cues from individual points to the object level and formulate them as a graphical model. The point–homogeneity constraint clusters points with similar geometric and radiometric properties into regular-shaped supervoxels that correspond to the vertices in the graphical model. The supervoxel–adjacency constraint contributes to the pairwise interactions by providing explicit adjacent relationships between supervoxels. The class–knowledge constraint operates at the object level based on semantic rules, guaranteeing the classification correctness of supervoxel clusters at that level. International Society of Photogrammetry and Remote Sensing (ISPRS) benchmark tests have shown that the proposed method achieves state-of-the-art performance with an average per-area completeness and correctness of 93.88% and 95.78%, respectively. The evaluation of classification of photogrammetric point clouds and DSM generated from aerial imagery confirms the method’s reliability in several challenging urban scenes. Numéro de notice : A2017-347 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.04.022 En ligne : https://dx.doi.org/10.1016/j.isprsjprs.2017.04.022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=85611
in ISPRS Journal of photogrammetry and remote sensing > vol 129 (July 2017) . - pp 86 - 102[article]Réservation
Réserver ce documentExemplaires (3)
Code-barres Cote Support Localisation Section Disponibilité 081-2017071 RAB Revue Centre de documentation En réserve 3L Disponible 081-2017073 DEP-EXM Revue MATIS Dépôt en unité Exclu du prêt 081-2017072 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt
Titre : Intergeo 2015: Launching a New Era Type de document : Article/Communication Auteurs : Anonyme, Auteur Année de publication : 2015 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes descripteurs IGN] description multiniveau
[Termes descripteurs IGN] innovation technologiqueRésumé : (auteur) The 21" edition of Intergeo was held in Stuttgart, Germany, from 15 to 17 September. More than 16,500 visitors from 90 countries attended the world's largest geomatics event to learn about the latest innovations and trends. Running in parallel to the trade show, which featured 549 exhibitors from 30 different countries, the traditional conference attracted around 1,200 delegates. The Intergeo organisers described geo-information as "the global language that all decision-makers understand," and this was reflected bath at the exhibition and during the conference. An abundance of solutions and technologies to help society advance were on display in Stuttgart. Numéro de notice : A2015-661 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=78269
in GIM international [en ligne] > vol 29 n° 10 (October 2015)[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 061-2015101 SL Revue Centre de documentation Revues en salle Disponible
Titre : Patterns multi-niveaux pour les SMA Type de document : Article/Communication Auteurs : Adrien Maudet Congrès : Congrès: JFSMA 2015, 23es journées francophones sur les systèmes multi-agents Environnements socio-techniques (12 - 19 juillet 2016; Rennes, France), Commanditaire Editeur : Toulouse : Cépaduès Année de publication : 2015 Importance : pp 19 - 28 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes descripteurs IGN] description multiniveau
[Termes descripteurs IGN] modèle numérique
[Termes descripteurs IGN] système multi-agents
[Vedettes matières IGN] GénéralisationRésumé : (auteur) Multi-level MAS have become a growing research topic in the last years. Due to the diversity of proposed models, we claim that recurrent situations have to be identified and characterized in an abstract way, in order to allow formal comparisons between existing models and to facilitate the design of new models. Therefore, we propose a first list of multi-level MAS patterns, coming from an attempt to unify several multi-level MAS models dedicated to a spatialized problem solving (cartographic generalization). The structure and dynamic of each pattern are formally described, and illustrated through examples drawn from the context of cartographic generalization and other MAS applications (especially in simulation). We also discuss the possibility to re-use and compose those patterns. Numéro de notice : C2015-030 Affiliation des auteurs : IGN+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83262 PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
