Centre dedocumentation
scientifique

Detection of pictorial map objects with convolutional neural networks / Raimund Schnürer in Cartographic journal (the), vol 58 n° 1 (August 2021)  

Public [article]  inCartographic journal (the) > vol 58 n° 1 (August 2021) . - pp 50 - 68 Titre : Detection of pictorial map objects with convolutional neural networks Type de document : Article/Communication Auteurs : Raimund Schnürer, Auteur ; René Sieber, Auteur ; Jost Schmid-Lanter, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 50 - 68 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] base de données d'images [Termes IGN] bibliothèque numérique [Termes IGN] carte ancienne [Termes IGN] carte numérique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] données issues des réseaux sociaux [Termes IGN] objet cartographique [Termes IGN] pictogramme Résumé : (auteur) In this work, realistically drawn objects are identified on digital maps by convolutional neural networks. For the first two experiments, 6200 images were retrieved from Pinterest. While alternating image input options, two binary classifiers based on Xception and InceptionResNetV2 were trained to separate maps and pictorial maps. Results showed that the accuracy is 95–97% to distinguish maps from other images, whereas maps with pictorial objects are correctly classified at rates of 87–92%. For a third experiment, bounding boxes of 3200 sailing ships were annotated in historic maps from different digital libraries. Faster R-CNN and RetinaNet were compared to determine the box coordinates, while adjusting anchor scales and examining configurations for small objects. A resulting average precision of 32% was obtained for Faster R-CNN and of 36% for RetinaNet. Research outcomes are relevant for trawling map images on the Internet and for enhancing the advanced search of digital map catalogues. Numéro de notice : A2021-651 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/00087041.2020.1738112 date de publication en ligne : 11/09/2020 En ligne : https://doi.org/10.1080/00087041.2020.1738112 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98381 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
030-2021011	SL	Revue	Centre de documentation	Revues en salle	Disponible

ComNet: combinational neural network for object detection in UAV-borne thermal images / Minglei Li in IEEE Transactions on geoscience and remote sensing, vol 59 n° 8 (August 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 8 (August 2021) . - pp 6662 - 6673 Titre : ComNet: combinational neural network for object detection in UAV-borne thermal images Type de document : Article/Communication Auteurs : Minglei Li, Auteur ; Xingke Zhao, Auteur ; Jiasong Li, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 6662 - 6673 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] détection d'objet [Termes IGN] image captée par drone [Termes IGN] image thermique [Termes IGN] piéton [Termes IGN] saillance [Termes IGN] véhicule Résumé : (auteur) We propose a deep learning-based method for object detection in UAV-borne thermal images that have the capability of observing scenes in both day and night. Compared with visible images, thermal images have lower requirements for illumination conditions, but they typically have blurred edges and low contrast. Using a boundary-aware salient object detection network, we extract the saliency maps of the thermal images to improve the distinguishability. Thermal images are augmented with the corresponding saliency maps through channel replacement and pixel-level weighted fusion methods. Considering the limited computing power of UAV platforms, a lightweight combinational neural network ComNet is used as the core object detection method. The YOLOv3 model trained on the original images is used as a benchmark and compared with the proposed method. In the experiments, we analyze the detection performances of the ComNet models with different image fusion schemes. The experimental results show that the average precisions (APs) for pedestrian and vehicle detection have been improved by 2%~5% compared with the benchmark without saliency map fusion and MobileNetv2. The detection speed is increased by over 50%, while the model size is reduced by 58%. The results demonstrate that the proposed method provides a compromise model, which has application potential in UAV-borne detection tasks. Numéro de notice : A2021-632 Affiliation des auteurs : non IGN Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3029945 date de publication en ligne : 21/10/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3029945 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98288 [article]

Trajectory and image-based detection and identification of UAV / Yicheng Liu in The Visual Computer, vol 37 n° 7 (July 2021)  

Public [article]  inThe Visual Computer > vol 37 n° 7 (July 2021) Titre : Trajectory and image-based detection and identification of UAV Type de document : Article/Communication Auteurs : Yicheng Liu, Auteur ; Luchuan Liao, Auteur ; Hao Wu, Auteur ; et al., Auteur Année de publication : 2021 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s) [Termes IGN] Aves [Termes IGN] caméra de surveillance PTZ [Termes IGN] cible mobile [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] drone [Termes IGN] forme caractéristique [Termes IGN] interférence [Termes IGN] reconnaissance de formes [Termes IGN] trajectoire Résumé : (auteur) Much more attentions have been attracted to the inspection and prevention of unmanned aerial vehicle (UAV) in the wake of increasing high frequency of security accident. Many factors like the interferences and the small fuselage of UAV pose challenges to the timely detection of the UAV. In our work, we present a system that is capable of detecting, recognizing, and tracking an UAV using single camera automatically. For our method, a single pan–tilt–zoom (PTZ) camera detects flying objects and gets their trajectories; then, the trajectory identified as a UAV guides the camera and PTZ to capture the detailed region image of the target. Therefore, the images can be classified into the UAV and interference classes (such as birds) by the convolution neural network classifier trained with our image dataset. For the target recognized as a UAV with the double verification, the radio jammer emits the interferential radio to disturb its control radio and GPS. This system could be applied in some complex environment where many birds and UAV appear simultaneously. Numéro de notice : A2021-541 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s00371-020-01937-y date de publication en ligne : 29/07/2020 En ligne : https://doi.org/10.1007/s00371-020-01937-y Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98020 [article]

PolSAR ship detection based on neighborhood polarimetric covariance matrix / Tao Liu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 6 (June 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 6 (June 2021) . - pp 4874 - 4887 Titre : PolSAR ship detection based on neighborhood polarimetric covariance matrix Type de document : Article/Communication Auteurs : Tao Liu, Auteur ; Ziyuan Yang, Auteur ; Armando Marino, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 4874 - 4887 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] détection d'objet [Termes IGN] données polarimétriques [Termes IGN] image radar moirée [Termes IGN] image Radarsat [Termes IGN] matrice de covariance [Termes IGN] navire [Termes IGN] polarimétrie radar [Termes IGN] voisinage (topologie) Résumé : (auteur) The detection of small ships in polarimetric synthetic aperture radar (PolSAR) images is still a topic for further investigation. Recently, patch detection techniques, such as superpixel-level detection, have stimulated wide interest because they can use the information contained in similarities among neighboring pixels. In this article, we propose a novel neighborhood polarimetric covariance matrix (NPCM) to detect the small ships in PolSAR images, leading to a significant improvement in the separability between ship targets and sea clutter. The NPCM utilizes the spatial correlation between neighborhood pixels and maps the representation for a given pixel into a high-dimensional covariance matrix by embedding spatial and polarization information. Using the NPCM formalism, we apply a standard whitening filter, similar to the polarimetric whitening filter (PWF). We show how the inclusion of neighborhood information improves the performance compared with the traditional polarimetric covariance matrix. However, this is at the expense of a higher computation cost. The theory is validated via the simulated and measured data under different sea states and using different radar platforms. Numéro de notice : A2021-424 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3022181 date de publication en ligne : 22/09/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3018638 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97780 [article]

Reconnaissance automatique d’objets pour le jumeau numérique ferroviaire à partir d’imagerie aérienne / Valentin Desbiolles in XYZ, n° 167 (juin 2021)

Public [article]  inXYZ > n° 167 (juin 2021) . - pp 33 - 38 Titre : Reconnaissance automatique d’objets pour le jumeau numérique ferroviaire à partir d’imagerie aérienne Type de document : Article/Communication Auteurs : Valentin Desbiolles, Auteur Année de publication : 2021 Article en page(s) : pp 33 - 38 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse comparative [Termes IGN] Autocad Map [Termes IGN] automatisation des processus [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] dessin assisté par ordinateur [Termes IGN] détection automatique [Termes IGN] détection d'objet [Termes IGN] image aérienne [Termes IGN] orthoimage [Termes IGN] transformation de Hough [Termes IGN] voie ferrée Résumé : (Auteur) Ce projet propose une étude sur l’insertion automatique d’objets utiles au fonctionnement d’une voie ferrée dans un plan DAO. Ces objets sont visibles sur des orthophotos acquises par moyens aéroportés (drone ou hélicoptère). La solution se scinde en deux grands axes : 1- la détection et la localisation des objets d’intérêt sur une orthophoto ; 2- leurs insertions dans un plan DAO. Ce PFE parcourt ainsi les différentes techniques pour automatiser une phase de reconnaissance de certains éléments cibles sur une image pour finir sur le développement d’une méthode permettant de les reporter dans un plan DAO automatiquement. Numéro de notice : A2021-462 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans date de publication en ligne : 01/06/2021 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97928 [article]

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2021021	SL	Revue	Centre de documentation	Revues en salle	Disponible
112-2021022	SL	Revue	Centre de documentation	Revues en salle	Disponible

Structure-aware completion of photogrammetric meshes in urban road environment / Qing Zhu in ISPRS Journal of photogrammetry and remote sensing, vol 175 (May 2021)  

Permalink

A CNN approach to simultaneously count plants and detect plantation-rows from UAV imagery / Lucas Prado Osco in ISPRS Journal of photogrammetry and remote sensing, vol 174 (April 2021)  

Permalink

Rotation-invariant feature learning in VHR optical remote sensing images via nested siamese structure with double center loss / Ruoqiao Jiang in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)  

Permalink

Improving the unsupervised mapping of riparian bugweed in commercial forest plantations using hyperspectral data and LiDAR / Kabir Peerbhay in Geocarto international, vol 36 n° 4 ([01/03/2021])  

Permalink

Multi-level progressive parallel attention guided salient object detection for RGB-D images / Zhengyi Liu in The Visual Computer, vol 37 n° 3 (March 2021)  

Permalink

PBNet: Part-based convolutional neural network for complex composite object detection in remote sensing imagery / Xian Sun in ISPRS Journal of photogrammetry and remote sensing, vol 173 (March 2021)  

Permalink

Deep traffic light detection by overlaying synthetic context on arbitrary natural images / Jean Pablo Vieira de Mello in Computers and graphics, vol 94 n° 1 (February 2021)  

Permalink

Semi-supervised joint learning for hand gesture recognition from a single color image / Chi Xu in Sensors, vol 21 n° 3 (February 2021)  

Permalink

Automatic object extraction from airborne laser scanning point clouds for digital base map production / Elyta Widyaningrum (2021)  

Permalink

Combining deep learning and mathematical morphology for historical map segmentation / Yizi Chen (2021)  

Permalink