Centre dedocumentation
scientifique

Semantic segmentation of urban textured meshes through point sampling / Grégoire Grzeczkowicz in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol V-2-2022 (2022 edition)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol V-2-2022 (2022 edition) . - pp 177 - 184 Titre : Semantic segmentation of urban textured meshes through point sampling Type de document : Article/Communication Auteurs : Grégoire Grzeczkowicz, Auteur ; Bruno Vallet , Auteur Année de publication : 2022 Projets : 1-Pas de projet / Article en page(s) : pp 177 - 184 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] échantillonnage de données [Termes IGN] maillage [Termes IGN] maille carrée [Termes IGN] maille texturée [Termes IGN] maille triangulaire [Termes IGN] scène urbaine [Termes IGN] segmentation sémantique [Termes IGN] semis de points [Termes IGN] traitement de semis de points Résumé : (auteur) Textured meshes are becoming an increasingly popular representation combining the 3D geometry and radiometry of real scenes. However, semantic segmentation algorithms for urban mesh have been little investigated and do not exploit all radiometric information. To address this problem, we adopt an approach consisting in sampling a point cloud from the textured mesh, then using a point cloud semantic segmentation algorithm on this cloud, and finally using the obtained semantic to segment the initial mesh. In this paper, we study the influence of different parameters such as the sampling method, the density of the extracted cloud, the features selected (color, normal, elevation) as well as the number of points used at each training period. Our result outperforms the state-of-the-art on the SUM dataset, earning about 4 points in OA and 18 points in mIoU. Numéro de notice : A2022-427 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-2-2022-177-2022 Date de publication en ligne : 17/05/2022 En ligne : https://doi.org/10.5194/isprs-annals-V-2-2022-177-2022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100733 [article]

GCN-Denoiser: mesh denoising with graph convolutional networks / Yuefan Shen in ACM Transactions on Graphics, TOG, Vol 41 n° 1 (February 2022)  

Public [article]  inACM Transactions on Graphics, TOG > Vol 41 n° 1 (February 2022) . - n° 8 Titre : GCN-Denoiser: mesh denoising with graph convolutional networks Type de document : Article/Communication Auteurs : Yuefan Shen, Auteur ; Hongbo Fu, Auteur ; Zhongshuo Du, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 8 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] apprentissage profond [Termes IGN] filtrage du bruit [Termes IGN] maille triangulaire [Termes IGN] optimisation (mathématiques) [Termes IGN] réseau neuronal convolutif [Termes IGN] réseau neuronal de graphes Résumé : (auteur) In this article, we present GCN-Denoiser, a novel feature-preserving mesh denoising method based on graph convolutional networks (GCNs). Unlike previous learning-based mesh denoising methods that exploit handcrafted or voxel-based representations for feature learning, our method explores the structure of a triangular mesh itself and introduces a graph representation followed by graph convolution operations in the dual space of triangles. We show such a graph representation naturally captures the geometry features while being lightweight for both training and inference. To facilitate effective feature learning, our network exploits both static and dynamic edge convolutions, which allow us to learn information from both the explicit mesh structure and potential implicit relations among unconnected neighbors. To better approximate an unknown noise function, we introduce a cascaded optimization paradigm to progressively regress the noise-free facet normals with multiple GCNs. GCN-Denoiser achieves the new state-of-the-art results in multiple noise datasets, including CAD models often containing sharp features and raw scan models with real noise captured from different devices. We also create a new dataset called PrintData containing 20 real scans with their corresponding ground-truth meshes for the research community. Our code and data are available at https://github.com/Jhonve/GCN-Denoiser. Numéro de notice : A2022-302 Affiliation des auteurs : non IGN Autre URL associée : vers ArXiv Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.1145/3480168 Date de publication en ligne : 09/02/2022 En ligne : https://doi.org/10.1145/3480168 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100373 [article]

Structure-aware indoor scene reconstruction via two levels of abstraction / Hao Fang in ISPRS Journal of photogrammetry and remote sensing, vol 178 (August 2021)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 178 (August 2021) . - pp 155 - 170 Titre : Structure-aware indoor scene reconstruction via two levels of abstraction Type de document : Article/Communication Auteurs : Hao Fang, Auteur ; Cihui Pan, Auteur ; Hui Huang, Auteur Année de publication : 2021 Article en page(s) : pp 155 - 170 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] champ aléatoire de Markov [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] image optique [Termes IGN] maillage [Termes IGN] maille triangulaire [Termes IGN] niveau d'abstraction [Termes IGN] polygone [Termes IGN] reconstruction 3D [Termes IGN] reconstruction d'objet [Termes IGN] scène intérieure Résumé : (auteur) In this paper, we propose a novel approach that reconstructs the indoor scene in a structure-aware manner and produces two meshes with different levels of abstraction. To be precise, we start from the raw triangular mesh of indoor scene and decompose it into two parts: structure and non-structure objects. On the one hand, structure objects are defined as significant permanent parts in the indoor environment such as floors, ceilings and walls. In the proposed algorithm, structure objects are abstracted by planar primitives and assembled into a polygonal structure mesh. This step produces a compact structure-aware watertight model that decreases the complexity of original mesh by three orders of magnitude. On the other hand, non-structure objects are movable objects in the indoor environment such as furniture and interior decoration. Meshes of these objects are repaired and simplified according to their relationship with respect to structure primitives. Finally, the union of all the non-structure meshes and structure mesh comprises the scene mesh. Note that structure mesh and scene mesh preserve various levels of abstraction and can be used for different applications according to user preference. Our experiments on both LIDAR and RGBD data scanned from simple to large scale indoor scenes indicate that the proposed framework generates structure-aware results while being robust and scalable. It is also compared qualitatively and quantitatively against popular mesh approximation, floorplan generation and piecewise-planar surface reconstruction methods to demonstrate its performance. Numéro de notice : A2021-561 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.06.007 Date de publication en ligne : 23/06/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.06.007 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98119 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2021081	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2021083	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2021082	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Learning-based representations and methods for 3D shape analysis, manipulation and reconstruction / Marie-Julie Rakotosaona (2021)  

Public Titre : Learning-based representations and methods for 3D shape analysis, manipulation and reconstruction Type de document : Thèse/HDR Auteurs : Marie-Julie Rakotosaona, Auteur ; Maks Ovsjanikov, Directeur de thèse Editeur : Palaiseau : Ecole Polytechnique EP Année de publication : 2021 Importance : 148 p. Format : 21 x 30 cm Note générale : bibliographie These de doctorat de l’Institut Polytechnique de Paris préparée à l’Ecole polytechnique spécialité Informatique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] apprentissage profond [Termes IGN] figure géométrique [Termes IGN] filtrage de points [Termes IGN] filtrage du bruit [Termes IGN] image 3D [Termes IGN] interpolation [Termes IGN] maillage [Termes IGN] maille triangulaire [Termes IGN] reconstruction 3D [Termes IGN] semis de points [Termes IGN] triangulation de Delaunay [Termes IGN] voxel Index. décimale : THESE Thèses et HDR Résumé : (auteur) Efficiently processing and analysing 3D data is a crucial challenge in modern applications as 3D shapes are becoming more and more widespread with the proliferation of acquisition devices and modeling tools. While successes of 2D deep learning have become commonplace and surround our daily life, applications that involve 3D data are lagging behind. Due to the more complex non-uniform structure of 3D shapes, successful methods from 2D deep learning cannot be easily extended and there is a strong demand for novel approaches that can both exploit and enable learning using geometric structure. Moreover, being able to handle the various existing representations of 3D shapes such as point clouds and meshes, as well as the artefacts produced from 3D acquisition devices increases the difficulty of the task. In this thesis, we propose systematic approaches that fully exploit geometric information of 3D data in deep learning architectures. We contribute to point cloud denoising, shape interpolation and shape reconstruction methods. We observe that deep learning architectures facilitate learning the underlying surface structure on point clouds that can then be used for denoising as well as shape interpolation. Encoding local patch-based learned priors, as well as complementary geometric information such as edge lengths, leads to powerful pipelines that generate realistic shapes. The key common thread throughout our contributions is facilitating seamless conversion between different representations of shapes. In particular, while using deep learning on triangle meshes is highly challenging due to their combinatorial nature we introduce methods inspired from geometry processing that enable the creation and manipulation of triangle faces. Our methods are robust and generalize well to unseen data despite limited training sets. Our work, therefore, paves the way towards more general, robust and universally useful manipulation of 3D data. Note de contenu : 1- Introduction 2- Introduction en français 3- PointCleanNet: Learning to denoise and remove outliers from dense point clouds 4- Intrinsic point cloud interpolation via dual latent space navigation 5- Learning Delaunay surface elements for mesh reconstruction 6- Differentiable surface triangulation 7- Conclusion Numéro de notice : 28649 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Ecole Polytechnique : 2021 Organisme de stage : Laboratoire d'informatique de l'École polytechnique DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03541331/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99744

Mise à jour de carte 3D par mosaïquage de maillages [diaporama] / Bruno Vallet (2020)  

Public Titre : Mise à jour de carte 3D par mosaïquage de maillages [diaporama] Type de document : Article/Communication Auteurs : Bruno Vallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2020 Projets : PLaTINUM / Gouet-Brunet, Valérie Conférence : Séminaire de recherche IGN 2020, De l’acquisition à la valorisation des big geodata du passé 24/02/2020 24/02/2020 Saint-Mandé France Importance : 47 p. Format : 30 x 21 cm Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] chaîne de traitement [Termes IGN] détection de changement [Termes IGN] maille triangulaire [Termes IGN] mise à jour automatique [Termes IGN] mosaïquage d'images [Termes IGN] optimisation (mathématiques) [Termes IGN] scène 3D [Termes IGN] scène urbaine [Termes IGN] semis de points [Termes IGN] série temporelle Résumé : (auteur) La cartographie mobile permet de numériser les scènes urbaines à l'échelle de la ville avec une précision sans précédent sous forme de nuages de points échantillonnant la géométrie de la scène avec une grande précision et résolution et d'images panoramiques orientées. En raison de la nature très dynamique de ces scènes urbaines, la cartographie à long terme doit s'appuyer sur des mises à jour fréquentes des cartes par des données plus actuelles mais de qualité moindre. Pour répondre à cet enjeu, nous proposons une chaîne de traitement entièrement automatique s'appuyant sur une détection combinée des changements basée sur la distance et la visibilité, une analyse des séries temporelles pour évaluer la pérennité des changements, un mosaïquage de maillage basé sur une optimisation booléenne globale et enfin le raccordement des morceaux de maillage résultants. Numéro de notice : C2020-028 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans En ligne : https://drive.google.com/file/d/1aHRj592rrldi_ivPjkyz2FkzMbzIjZaB/view Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97804

Multi-view performance capture of surface details / Nadia Robertini in International journal of computer vision, vol 124 n° 1 (August 2017)  

Permalink

Refining geometry from depth sensors using IR shading images / Gyeongmin Choe in International journal of computer vision, vol 122 n° 1 (March 2017)  

Permalink

Une deuxième itération du processus photogrammétrique pour améliorer la précision de mise en place des images / Truong Giang Nguyen (2017)  

Permalink

Automatic registration of MLS point clouds and SfM meshes of urban area / Reiji Yoshimura in Geo-spatial Information Science, vol 19 n° 3 (October 2016)  

Permalink

3D watertight mesh generation with uncertainties from ubiquitous data / Laurent Caraffa (2016)    

Permalink

A triangular form-based multiple flow algorithm to estimate overland flow distribution and accumulation on a digital elevation model / Petter Pilesjö in Transactions in GIS, vol 18 n° 1 (February 2014)  

Permalink

Shared Earth modeling / Michel Perrin (2013)

Permalink

Insertion of 3-D-primitives in mesh-based representations: Towards compact models preserving the details / Florent Lafarge in IEEE Transactions on image processing, vol 19 n° 7 (July 2010)  

Permalink

Accuracy of quantized Voronoi diagrams / Yukio Sadahiro in International journal of geographical information science IJGIS, vol 20 n° 10 (november 2006)  

Permalink

An algorithm for the generation of Voronoi diagrams on the sphere based on QTM [quaternary triangular mesh] / J. Chen in Photogrammetric Engineering & Remote Sensing, PERS, vol 69 n° 1 (January 2003)

Permalink