Descripteur
Termes IGN > sciences naturelles > physique > traitement d'image > analyse d'image numérique > analyse d'image orientée objet > détection d'objet
détection d'objetVoir aussi |
Documents disponibles dans cette catégorie (128)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Application of deep learning for object detection / Ajeet Ram Pathak in Procedia Computer Science, vol 132 (2018)
[article]
Titre : Application of deep learning for object detection Type de document : Article/Communication Auteurs : Ajeet Ram Pathak, Auteur ; Manjusha Pandey, Auteur ; Siddharth Rautaray, Auteur Année de publication : 2018 Article en page(s) : pp 1706 - 1717 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] état de l'art
[Termes IGN] réseau neuronal convolutif
[Termes IGN] vision par ordinateurRésumé : (auteur) The ubiquitous and wide applications like scene understanding, video surveillance, robotics, and self-driving systems triggered vast research in the domain of computer vision in the most recent decade. Being the core of all these applications, visual recognition systems which encompasses image classification, localization and detection have achieved great research momentum. Due to significant development in neural networks especially deep learning, these visual recognition systems have attained remarkable performance. Object detection is one of these domains witnessing great success in computer vision. This paper demystifies the role of deep learning techniques based on convolutional neural network for object detection. Deep learning frameworks and services available for object detection are also enunciated. Deep learning techniques for state-of-the-art object detection systems are assessed in this paper. Numéro de notice : A2018-585 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.procs.2018.05.144 Date de publication en ligne : 08/06/2018 En ligne : https://www.sciencedirect.com/science/article/pii/S1877050918308767 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92435
in Procedia Computer Science > vol 132 (2018) . - pp 1706 - 1717[article]
Titre : Effective and annotation efficient deep learning for image understanding Type de document : Thèse/HDR Auteurs : Spyridon Gidaris, Auteur ; Nikos Komodakis, Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2018 Importance : 236 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l’Université Paris-Est, Domaine : Traitement du Signal et des ImagesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image numérique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] compréhension de l'image
[Termes IGN] détection d'objet
[Termes IGN] prédiction
[Termes IGN] reconnaissance d'objets
[Termes IGN] segmentation sémantiqueIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Recent development in deep learning have achieved impressive results on image understanding tasks. However, designing deep learning architectures that will effectively solve the image understanding tasks of interest is far from trivial. Even more, the success of deep learning approaches heavily relies on the availability of large-size manually labeled (by humans) data. In this context, the objective of this dissertation is to explore deep learning based approaches for core image understanding tasks that would allow to increase the effectiveness with which they are performed as well as to make their learning process more annotation efficient, i.e., less dependent on the availability of large amounts of manually labeled training data. We first focus on improving the state-of-the-art on object detection. More specifically, we attempt to boost the ability of object detection systems to recognize (even difficult) object instances by proposing a multi-region and semantic segmentation-aware ConvNet-based representation that is able to capture a diverse set of discriminative appearance factors. Also, we aim to improve the localization accuracy of object detection systems by proposing iterative detection schemes and a novel localization model for estimating the bounding box of the objects. We demonstrate that the proposed technical novelties lead to significant improvements in the object detection performance of PASCAL and MS COCO benchmarks. Regarding the pixel-wise image labeling problem, we explored a family of deep neural network architectures that perform structured prediction by learning to (iteratively) improve some initial estimates of the output labels. The goal is to identify which is the optimal architecture for implementing such deep structured prediction models. In this context, we propose to decompose the label improvement task into three steps: 1) detecting the initial label estimates that are incorrect, 2) replacing the incorrect labels with new ones, and finally 3) refining the renewed labels by predicting residual corrections w.r.t. them. We evaluate the explored architectures on the disparity estimation task and we demonstrate that the proposed architecture achieves state-of-the-art results on the KITTI 2015 benchmark.In order to accomplish our goal for annotation efficient learning, we proposed a self-supervised learning approach that learns ConvNet-based image representations by training the ConvNet to recognize the 2d rotation that is applied to the image that it gets as input. We empirically demonstrate that this apparently simple task actually provides a very powerful supervisory signal for semantic feature learning. Specifically, the image features learned from this task exhibit very good results when transferred on the visual tasks of object detection and semantic segmentation, surpassing prior unsupervised learning approaches and thus narrowing the gap with the supervised case.Finally, also in the direction of annotation efficient learning, we proposed a novel few-shot object recognition system that after training is capable to dynamically learn novel categories from only a few data (e.g., only one or five training examples) while it does not forget the categories on which it was trained on. In order to implement the proposed recognition system we introduced two technical novelties, an attention based few-shot classification weight generator, and implementing the classifier of the ConvNet based recognition model as a cosine similarity function between feature representations and classification vectors. We demonstrate that the proposed approach achieved state-of-the-art results on relevant few-shot benchmarks. Note de contenu : Introduction
1- Effective deep learning for image understanding
2- Annotation deep learning for image understandingNuméro de notice : 25835 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Domaine : Traitement du Signal et des Images : Paris-Est : 2018 nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2018PESC1143 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95174 Facade repetition detection in a fronto-parallel view with fiducial lines extraction / Hongfei Xiao in Neurocomputing, vol 273 (January 2018)
[article]
Titre : Facade repetition detection in a fronto-parallel view with fiducial lines extraction Type de document : Article/Communication Auteurs : Hongfei Xiao, Auteur ; Gaofeng Meng, Auteur ; Lingfeng Wang, Auteur ; Chunhong Pan, Auteur Année de publication : 2018 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] détection d'objet
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] façade
[Termes IGN] programmation dynamiqueRésumé : (auteur) Detecting repetitive structures on building facades plays an important role in facade image analysis. Observing that repetitions are usually horizontally and vertically aligned, and thereby can be localized by the horizontal and vertical lines passing along the repetition boundaries, we propose to detect repetitions by extracting these fiducial lines. Firstly, candidate lines are detected, containing both the fiducial lines and some mistaken lines passing across facade wall or repetitive structures. Secondly, to pick out the fiducial lines, we formulate a maximum a posterior problem to measure the probabilities that the lines can localize the repetitions. Finally, a dynamic programming based algorithm is developed to solve the problem efficiently. To evaluate the proposed approach, we implement a series of experiments on a dataset containing 60 facade images as well as the public Ecole Central Paris facade dataset. Both qualitative and quantitative results demonstrate the effectiveness of our approach. Numéro de notice : A2017-559 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.neucom.2017.07.040 En ligne : https://doi.org/10.1016/j.neucom.2017.07.040 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86636
in Neurocomputing > vol 273 (January 2018)[article]Réseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne / Jean Ogier du Terrail (2018)
Titre : Réseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne Type de document : Thèse/HDR Auteurs : Jean Ogier du Terrail, Auteur ; Frédéric Jurie, Directeur de thèse Editeur : Caen [France] : Université de Caen Normandie Année de publication : 2018 Importance : 217 p. Format : 21 x 30 cm Note générale : bibliographie
thèse pour obtenir le diplôme de Doctorat, Spécialité Informatique préparée au sein de l'Université de Caen NormandieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] base de données d'images
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] détection d'objet
[Termes IGN] image aérienne à axe vertical
[Termes IGN] reconnaissance de formes
[Termes IGN] régression
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Cette thèse présente une tentative d'approche du problème de la détection et discrimination des petits véhicules dans des images aériennes en vue verticale par l'utilisation de techniques issues de l'apprentissage profond ou "deep-learning". Le caractère spécifique du problème permet d'utiliser des techniques originales mettant à profit les invariances des automobiles et autres avions vus du ciel.Nous commencerons par une étude systématique des détecteurs dits "single-shot", pour ensuite analyser l'apport des systèmes à plusieurs étages de décision sur les performances de détection. Enfin nous essayerons de résoudre le problème de l'adaptation de domaine à travers la génération de données synthétiques toujours plus réalistes, et son utilisation dans l'apprentissage de ces détecteurs. Note de contenu : 1- Introduction à la détection d’objets dans des images aériennes
2- Détecteurs à un étage pour l’imagerie aérienne
3- Premier détecteur en cascade utilisant un mécanisme d’inférence de l’orientation des véhicules
4- Second détecteur en cascade utilisant des ancres tournantes
5- Données synthétiques et modèles génératifs pour l’entraînement des détecteurs
6- Conclusions et perspectivesNuméro de notice : 25788 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Caen : 2018 nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02113872 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94999 Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique / Yann Méneroux (2018)
contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)
Titre : Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; Arnaud Le Guilcher , Auteur ; Hiroshi Kanasugi, Auteur ; Guillaume Saint Pierre, Auteur ; Sébastien Mustière , Auteur ; Ryosuke Shibasaki, Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] apprentissage automatique
[Termes IGN] détection d'objet
[Termes IGN] espace urbain
[Termes IGN] feu de circulation
[Termes IGN] réseau routier
[Termes IGN] trafic routierRésumé : (Auteur) Avec la démocratisation des appareils connectés équipés de récepteur GPS, de grandes quantités de trajectoires de véhicules deviennent disponibles. Récemment, les techniques dites de map inference, visant à dériver de l’information cartographique à partir de traces GPS, tendent à compléter les techniques traditionnelles. Initialement restreintes à la construction de la géométrie des routes, elles sont progressivement utilisées pour enrichir les réseaux existants. Les méthodes d’apprentissage statistique (par exemple, réseaux de neurones, forêts aléatoires...) apportent une perspective intéressante et garantissent l’adaptabilité de l’approche aux différents cas d’utilisation. Nous nous intéressons ici à la détection des feux tricolores, en travaillant dans un premier temps sur un jeu de données expérimental, sur lequel nous comparons les performances d’approches dites «image» et «fonctionnelle». Nous tentons ensuite d’étendre les résultats obtenus sur des données réelles. Numéro de notice : C2018-087 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE/POSITIONNEMENT/URBANISME Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91539 Documents numériques
en open access
Utilisation de véhicules traceurs pour la détection - diaporama de présentationAdobe Acrobat PDF Occupancy modelling for moving object detection from Lidar point clouds: A comparative study / Wen Xiao in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-2/W4 (September 2017)PermalinkEstimating the spatial distribution, extent and potential lignocellulosic biomass supply of Trees Outside Forests in Baden-Wuerttemberg using airborne LiDAR and OpenStreetMap data / Joachim Maack in International journal of applied Earth observation and geoinformation, vol 58 (June 2017)PermalinkSemiautomatic detection and classification of materials in historic buildings with low-cost photogrammetric equipment / Javier Sanchez in Journal of Cultural Heritage, vol 25 (May - June 2017)PermalinkApplying detection proposals to visual tracking for scale and aspect ratio adaptability / Dafei Huang in International journal of computer vision, vol 122 n° 3 (May 2017)PermalinkA classification-segmentation framework for the detection of individual trees in dense MMS point cloud data acquired in urban areas / Martin Weinmann in Remote sensing, vol 9 n° 3 (March 2017)PermalinkIndustrialisation des processus d'extraction d'objets à partir de données photogrammétriques par drones / Jérémie Brossard in XYZ, n° 150 (mars - mai 2017)PermalinkCartographie et interprétation de l'environnement par drone / Martial Sanfourche in Revue Française de Photogrammétrie et de Télédétection, n° 213 - 214 (janvier - avril 2017)PermalinkContributions méthodologiques pour la caractérisation des milieux par imagerie optique et lidar / Nesrine Chehata (2017)PermalinkPermalinkTélédétection pour l'observation des surfaces continentales, Volume 1. Observation des surfaces continentales par télédétection optique / Nicolas Baghdadi (2017)PermalinkUrban objects classification by spectral library: Feasibility and applications / Walid Ouerghemmi (2017)PermalinkUtilisation de données satellites dans le combat contre l'esclavage moderne / Florent Negrel-Teodori (2017)PermalinkPermalinkVision stéréoscopique temps-réel pour la navigation autonome d'un robot en environnement dynamique / Maxime Derome (2017)PermalinkA probabilistic approach to detect mixed periodic patterns from moving object data / Jun Li in Geoinformatica, vol 20 n° 4 (October - December 2016)PermalinkDétection de réseaux et intégration sous SIG / Achille Ernest Tadjuidje in Géomatique expert, n° 111 (juillet- août 2016)PermalinkSimultaneous detection and tracking of pedestrian from panoramic laser scanning data / Wen Xiao in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol III-3 (July 2016)PermalinkStreet-side vehicle detection, classification and change detection using mobile laser scanning data / Wen Xiao in ISPRS Journal of photogrammetry and remote sensing, vol 114 (April 2016)PermalinkRotation-and-scale-invariant airplane detection in high-resolution satellite images based on deep-Hough-forests / Yongtao Yu in ISPRS Journal of photogrammetry and remote sensing, vol 112 (February 2016)PermalinkPermalink