Descripteur
Documents disponibles dans cette catégorie (16)
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
Connecting images through sources: Exploring low-data, heterogeneous instance retrieval / Dimitri Gominski in Remote sensing, vol 13 n° 16 (August-2 2021)
Titre : Connecting images through sources: Exploring low-data, heterogeneous instance retrieval Type de document : Article/Communication Auteurs : Dimitri Gominski Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Article en page(s) : n° 3080 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] description multiniveau
[Termes IGN] patrimoine culturel
[Termes IGN] recherche d'image basée sur le contenu
[Termes IGN] test de performanceRésumé : (auteur) Along with a new volume of images containing valuable information about our past, the digitization of historical territorial imagery has brought the challenge of understanding and interconnecting collections with unique or rare representation characteristics, and sparse metadata. Content-based image retrieval offers a promising solution in this context, by building links in the data without relying on human supervision. However, while the latest propositions in deep learning have shown impressive results in applications linked to feature learning, they often rely on the hypothesis that there exists a training dataset matching the use case. Increasing generalization and robustness to variations remains an open challenge, poorly understood in the context of real-world applications. Introducing the alegoria benchmark, containing multi-date vertical and oblique aerial digitized photography mixed with more modern street-level pictures, we formulate the problem of low-data, heterogeneous image retrieval, and propose associated evaluation setups and measures. We propose a review of ideas and methods to tackle this problem, extensively compare state-of-the-art descriptors and propose a new multi-descriptor diffusion method to exploit their comparative strengths. Our experiments highlight the benefits of combining descriptors and the compromise between absolute and cross-domain performance. Numéro de notice : A2021-610 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/rs13163080 Date de publication en ligne : 05/08/2021 En ligne : https://doi.org/10.3390/rs13163080 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98357
in Remote sensing > vol 13 n° 16 (August-2 2021) . - n° 3080[article]
contenu dans Recueil des contributions, Colloque international Tous (im)mobiles, tous cartographes ? Approches cartographiques des mobilités, des circulations, des flux et des déplacements : Méthodes, outils, représentations, pratiques et usages / Françoise Bahoken (2021)
Titre : Le carrefour dont vous êtes le héros Type de document : Article/Communication Auteurs : Jérémy Kalsron, Auteur ; Jean-Marie Favreau, Auteur ; Guillaume Touya Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2021 Projets : ACTIVmap / Favreau, Jean-Marie Conférence : Cartomob 2021, colloque international Tous (im)mobiles, tous cartographes ? Approches cartographiques des mobilités, des circulations, des flux et des déplacements : Méthodes, outils, représentations, pratiques et usages 14/06/2021 16/06/2021 Toulouse online France OA Proceedings Importance : p 175 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géomatique web
[Termes IGN] carrefour
[Termes IGN] carte en relief
[Termes IGN] carte interactive
[Termes IGN] description multiniveau
[Termes IGN] modèle conceptuel de données localisées
[Termes IGN] personne malvoyanteRésumé : (auteur) Au sein de la ville, la traversée d’une voie de circulation nécessite une attention particulière pour une personne en situation de déficience visuelle. Les espaces ouverts, tels que les places ou les carrefours, présentent une configuration des voies dont la difficulté d’appropriation est accrue, rendant la traversée très ardue (Ratelle et al., 2018). Les instructeurs de locomotion établissent en général une typologie des carrefours pour permettre une appréhension rapide de leur configuration. Nous avons enquêté auprès de la communauté liée à la déficience visuelle pour obtenir des détails sur les données à considérer lors de la traversée d’un carrefour par un non-voyant. Les témoignages collectés nous ont permis d’élaborer une grammaire de description de carrefour découpée en deux volets : une description générale qui s’intéresse à la typologie du carrefour et ses voies, et des descriptions de traversées présentant l’enchaînement des éléments et obstacles qui les composent. Cette grammaire a été implémentée sous forme d’un site web intitulé « Le carrefour dont vous êtes le héros » pour proposer une exploration virtuelle interactive d’un carrefour de Clermont-Ferrand. Nous proposons de mettre en scène ces descriptions à partir d’une carte en relief interactive (Brock et al., 2014) qui permettra à l’utilisateur de solliciter les messages pour explorer le carrefour. Numéro de notice : C2021-025 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Poster nature-HAL : Poster-avec-CL DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98813 Documents numériques
peut être téléchargé
Le carrefour dont vous êtes le héros - pdf éditeurAdobe Acrobat PDF
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 IGN] classification par réseau neuronal convolutif
[Termes IGN] description multiniveau
[Termes IGN] détection d'objet
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image à très haute résolution
[Termes IGN] prise en compte du contexte
[Termes IGN] vision par ordinateur
[Termes 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 IGN] classification basée sur les régions
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] description multiniveau
[Termes IGN] détection de régions
[Termes IGN] fusion de données
[Termes IGN] interprétation automatique
[Termes IGN] réseau neuronal artificiel
[Termes IGN] segmentation d'image
[Termes IGN] superpixel
[Termes 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 nature-HAL : Thèse 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 IGN] champ aléatoire de Markov
[Termes IGN] classification
[Termes IGN] description multiniveau
[Termes IGN] exploration de données géographiques
[Termes IGN] relation sémantique
[Termes IGN] semis de points
[Termes IGN] voxel
[Termes 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 LaSTIG Dépôt en unité Exclu du prêt 081-2017072 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
