Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage profond
apprentissage profond |
Documents disponibles dans cette catégorie (186)
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
Detection of windthrown tree stems on UAV-orthomosaics using U-Net convolutional networks / Stefan Reder in Remote sensing, vol 14 n° 1 (January-1 2022)
[article]
Titre : Detection of windthrown tree stems on UAV-orthomosaics using U-Net convolutional networks Type de document : Article/Communication Auteurs : Stefan Reder, Auteur ; J.P. Mund, Auteur ; Nicole Albert, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 75 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] branche (arbre)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'objet
[Termes IGN] dommage forestier causé par facteurs naturels
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] image captée par drone
[Termes IGN] orthophotoplan numérique
[Termes IGN] segmentation sémantique
[Termes IGN] tempête
[Termes IGN] troncRésumé : (auteur) The increasing number of severe storm events is threatening European forests. Besides the primary damages directly caused by storms, there are secondary damages such as bark beetle outbreaks and tertiary damages due to negative effects on the market. These subsequent damages can be minimized if a detailed overview of the affected area and the amount of damaged wood can be obtained quickly and included in the planning of clearance measures. The present work utilizes UAV-orthophotos and an adaptation of the U-Net architecture for the semantic segmentation and localization of windthrown stems. The network was pre-trained with generic datasets, randomly combining stems and background samples in a copy–paste augmentation, and afterwards trained with a specific dataset of a particular windthrow. The models pre-trained with generic datasets containing 10, 50 and 100 augmentations per annotated windthrown stems achieved F1-scores of 73.9% (S1Mod10), 74.3% (S1Mod50) and 75.6% (S1Mod100), outperforming the baseline model (F1-score 72.6%), which was not pre-trained. These results emphasize the applicability of the method to correctly identify windthrown trees and suggest the collection of training samples from other tree species and windthrow areas to improve the ability to generalize. Further enhancements of the network architecture are considered to improve the classification performance and to minimize the calculative costs. Numéro de notice : A2022-082 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.3390/rs14010075 En ligne : https://doi.org/10.3390/rs14010075 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99476
in Remote sensing > vol 14 n° 1 (January-1 2022) . - n° 75[article]Détection des prairies de fauche et estimation des périodes de fauche par télédétection / Emma Seneschal (2022)
Titre : Détection des prairies de fauche et estimation des périodes de fauche par télédétection Type de document : Mémoire Auteurs : Emma Seneschal, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 103 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année, Information Géographique, Analyse Spatiale et TélédétectionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] Aves
[Termes IGN] Cantal (15)
[Termes IGN] cartographie thématique
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] échantillonnage de données
[Termes IGN] habitat animal
[Termes IGN] image multibande
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] Jura (39)
[Termes IGN] Perceptron multicouche
[Termes IGN] prairie
[Termes IGN] régressionIndex. décimale : IGAST Mémoires du Master Information Géographique, Analyse Spatiale et Télédétection Résumé : (auteur) Ce travail s’inscrit dans le projet Parcelle qui vise à promouvoir le développement de la chaîne de traitement Iota2, développée par le CESBIO. Dans ce cadre-là, une collaboration s’est développée avec l’OFB qui a besoin de cartographier les prairies de fauche précoce dans le cadre de son «Observatoire National de l’Ecosystème Prairie de Fauche» (ONEPF). Le report des fauches est plébiscité depuis de nombreuses années face au déclin de l’avifaune prairiale. Des programmes agri-environnementaux incitent les agriculteurs à reporter les fenaisons jusqu’à mi-juillet. Les cartographies du suivi des prairies de fauche avec une récolte tardive constitueraient un outil de suivi des surfaces de l’habitat potentiellement favorable à la reproduction des oiseaux prairiaux en France. L’utilisation de la télédétection avec Iota2 permettrait une production annuelle plus rapide et moins coûteuse par rapport à des campagnes terrains et au processus actuel de production. Ce travail répond aux problématiques suivantes :
— Comment et avec quelle précision peut-on identifier et cartographier les prairies de fauche en France ?
— Est-il possible d’estimer la période de fauche et à quelle précision ?
Les séries temporelles denses, multi-spectrales et à haute résolution des satellites S1 & S2 ont été retenues pour l’étude des gestions des prairies (fauche, pâture et mixte). Les comportements des prairies selon leur mode de gestion ont été analysés grâce aux profils spectro-temporels des parcelles (bandes et indices spectraux issus de S2). Iota2 a été utilisé pour classifier avec Random Forest ou Deep Learning les prairies selon leur type de gestion. Plusieurs configurations ont été testées : calcul d’indices spectraux, ajout d’informations dérivées de MNT, augmentation de données, modification de l’architecture du réseau de neurones profonds, etc. Les cartographies prédictives des prairies de fauche ont été générées pour les années 2019 et 2021 respectivement sur les zones géographiques Jura-Mâconais et du Cantal. De meilleurs résultats ont été obtenus avec les échantillons d’apprentissage des sites du Jura et de Mâcon (F-score de 0.96 pour les parcelles de fauche). Les nouvelles fonctionnalités de Iota2 ont permis d’estimer la période de fauche par régression (avec un MultiLayerPerceptron). Les premiers résultats réalisés avec les séries temporelles S2 semblent prometteurs (R2 supérieurs à 0.5 et bonnes précisions). Ainsi, Iota2 est un outil performant qui permet la production rapide et qualitative de cartes de suivi des gestions prairiales en intégrant la télédétection. Iota2 pourrait être intégrée dans le processus de l’ONEPF.Note de contenu : Introduction
1- Avifaune et prairie
2- Prairies et télédétection
3- Données
4- Détection des prairies de fauche
5- Détection des périodes de fauche
ConclusionNuméro de notice : 24021 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : CESBIO Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101819 Documents numériques
en open access
Détection des prairies... - pdf auteur -Adobe Acrobat PDF Developing the potential of airborne lidar systems for the sustainable management of forests / Karun Dayal (2022)
Titre : Developing the potential of airborne lidar systems for the sustainable management of forests : accounting for and managing the impacts of lidar scan angle on ABA model predictions of forest attributes Type de document : Thèse/HDR Auteurs : Karun Dayal, Auteur ; Sylvie Durrieu, Directeur de thèse ; Marc Bouvier, Directeur de thèse Editeur : Paris, Nancy, ... : AgroParisTech (2007 -) Année de publication : 2022 Note générale : Bibliographie
Thèse pour obtenir le grade de Docteur de l’Institut national des sciences et industries du vivant et de l'environnement - AgroParisTech, Spécialité GéomatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s)
[Termes IGN] analyse comparative
[Termes IGN] angle de visée
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] forêt alpestre
[Termes IGN] forêt ripicole
[Termes IGN] gestion durable
[Termes IGN] inventaire forestier national (données France)
[Termes IGN] jeu de données localisées
[Termes IGN] ligne de visée
[Termes IGN] modèle numérique de surface de la canopée
[Termes IGN] peuplement forestier
[Termes IGN] précision géométrique (imagerie)
[Termes IGN] prédiction
[Termes IGN] réseau neuronal artificiel
[Termes IGN] télémètre laser à balayage
[Termes IGN] télémètre laser aéroportéIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) L’information mesurée par Lidar aéroporté dépend de la végétation observée et de la géométrie de l'acquisition lidar, elle-même fonction des paramètres d'acquisition et des propriétés du terrain. Cette thèse vise à comprendre la relation entre la géométrie d'acquisition du lidar et les prédictions d'attributs forestiers en se focalisant sur l'évaluation et la gestion des impacts de l'angle de balayage du lidar sur les métriques lidar et les modèles construits à l’échelle du peuplement (i.e. approches surfaciques ou ABA). Quatre types de forêts différents ont été étudiés, dont trois types de forêts (feuillus, conifères et mixtes) en terrain montagneux et un type de forêt (ripisylve) en terrain relativement plat . La thèse est divisée en trois parties. La première partie évalue l'effet de l'angle de balayage du lidar sur les mesures lidar couramment utilisées dans les prédictions de type ABA. On a ainsi montré que les différentes métriques lidar ne sont pas impactées de la même façon par des changements d'angle de balayage. La deuxième partie de l'étude s’intéresse aux conséquences sur la qualité des modèles de l’introduction dans ces modèles de métriques lidar présentant des sensibilités différentes à l'angle de balayage. Un modèle basé sur un jeu de métriques Lidar prédéfinies, plus ou moins sensibles aux angles de balayage, est utilisé.Les jeux de données lidar existants sont ré-échantillonnés selon les lignes de vol pour 1) simuler des acquisitions lidar avec différentes configurations de balayage, 2) construire des modèles pour une série de configurations de balayage différentes, et 3) comparer la qualité des estimations qui résultent de chaque configuration d’acquisition. Ces comparaisons montrent que l’introduction de métriques sensibles à l’angle de balayage diminue la robustesse des modèles. De plus, la variation de la précision des modèles ABA s’est révélée être plus élevée pour les jeux de données composés de nuages de points acquis depuis une seule ligne de vol que pour ceux composés de nuages de points obtenus en combinant les mesures de plusieurs lignes de vol.Nous avons aussi tenté de normaliser les métriques lidar en utilisant des méthodes de voxellisation pour limiter les impacts des changements d’angles de balayage. Les métriques issues des données voxellisées contribuent à augmenter la précision des prédictions ou à augmenter leur justesse, ou, dans certains cas, les deux en même temps. Dans la dernière partie de l'étude, les propriétés du terrain (topographie) et les paramètres d'acquisition sont explicitement pris en compte dans les modèles. Comme les interactions entre les paramètres d'acquisition lidar, le terrain et les propriétés de la végétation peuvent être complexes, un réseau de neurone (perceptron multicouche) est utilisé pour modéliser les relations entre les attributs forestiers et les métriques lidar en tenant compte de ces interactions entre métriques lidar et géométrie d'acquisition. Cela a permis d'améliorer significativement les prédictions ABA. Note de contenu : Chapter 1: Introduction
1.1 Sustainable Forest Management
1.2 The role of remote sensing in enhancing forest inventory
1.3 Enhanced forest inventory with lidar
1.4 Understanding the role of lidar scan angle in forestry applications
1.5 Research questions and objectives
1.6 Overview of the thesis
Chapter 2: Scan angle impact on lidar-derived metrics used in ABA models for prediction of forest
stand characteristics: a grid based analysis
2.1 Introduction
2.2 Materials
2.3 Methods
2.4 Results
2.5 Discussion
2.6 Conclusions
2.7 Acknowledgement
Chapter 3: An investigation into lidar scan angle impacts on stand attribute predictions in different
forest environments
3.1 Introduction
3.2 Materials and methods
3.3 Results
3.5 Conclusion
3.6 Acknowledgements
Chapter 4: Improving ABA models for forest attribute prediction using neural networks by considering effects of terrain and scan angles on 3D lidar point clouds
4.1 Introduction
4.2 Materials and methods
4.3 Results
4.4 Discussion
4.5 Conclusion
Chapter 5: Conclusion
5.1 Synthesis of the thesis
5.2 Limitations and PerspectivesNuméro de notice : 26957 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Géomatique : Université Paris-Saclay : 2022 Organisme de stage : UMR TETIS - Territoires, Environnement, Télédétection et Information Spatiale nature-HAL : Thèse DOI : sans Date de publication en ligne : 24/01/2023 En ligne : https://hal.science/tel-03954492 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102527 Development of object detectors for satellite images by deep learning / Alissa Kouraeva (2022)
Titre : Development of object detectors for satellite images by deep learning Type de document : Mémoire Auteurs : Alissa Kouraeva, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 57 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire d'ingénieur 3e année, Cycle PPMD Photogrammétrie, Positionnement et Mesure de DéformationLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] angle d'incidence
[Termes IGN] apprentissage profond
[Termes IGN] détection du bâti
[Termes IGN] image aérienne
[Termes IGN] image Pléiades-HR
[Termes IGN] image Pléiades-Neo
[Termes IGN] jeu de données
[Termes IGN] OpenStreetMap
[Termes IGN] réalité de terrain
[Termes IGN] recalage d'imageMots-clés libres : Frame Field Learning algorithm Index. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) With various uses cases in different sectors - marine, cartography, defense - object detection in satellite images is at the heart of image processing methods. This study aims to test existing building detection algorithms and improve them with the final goal being a precise cartography of buildings for 3D reconstruction with a high level of details. The Polygonization by Frame Field Learning algorithm is tested on different types of images: aerial images (50cm resolution), satellite images with 50cm (Pleiades) and 30cm (Pleiades Neo) resolutions. The ground truth is either already provided (Digitanie) or has to be retrieved from open access databases (OSM or BD TOPO IGN). Some problems of ground truth overlap appear in Pleiades neo images due to the relative precision in positioning of different data and also due to the incidence angle, that provides a greater revisiting capability. A re-implementation of the Frame Field Learning algorithm with the PyTorch Lightning framework is done in this study, with different experiments conducted concerning the configuration of the algorithm. Note de contenu : Introduction
1- Data
2- Methods
3- Results and discussion
ConclusionNuméro de notice : 24052 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Airbus Defence and Space Geo SA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101926
Titre : Domain adaptation for urban scene segmentation Type de document : Thèse/HDR Auteurs : Antoine Saporta, Auteur ; Matthieu Cord, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 147 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de Sorbonne Université, spécialité InformatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification non dirigée
[Termes IGN] entropie
[Termes IGN] Mapillary
[Termes IGN] navigation autonome
[Termes IGN] réseau antagoniste génératif
[Termes IGN] scène urbaine
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) This thesis tackles some of the scientific locks of perception systems based on neural networks for autonomous vehicles. This dissertation discusses domain adaptation, a class of tools aiming at minimizing the need for labeled data. Domain adaptation allows generalization to so-called target data that share structures with the labeled so-called source data allowing supervision but nevertheless following a different statistical distribution. First, we study the introduction of privileged information in the source data, for instance, depth labels. The proposed strategy, BerMuDA, bases its domain adaptation on a multimodal representation obtained by bilinear fusion, modeling complex interactions between segmentation and depth. Next, we examine self-supervised learning strategies in domain adaptation, relying on selecting predictions on the unlabeled target data, serving as pseudo-labels. We propose two new selection criteria: first, an entropic criterion with ESL; then, with ConDA, using an estimate of the true class probability. Finally, the extension of adaptation scenarios to several target domains as well as in a continual learning framework is proposed. Two approaches are presented to extend traditional adversarial methods to multi-target domain adaptation: Multi-Dis. and MTKT. In a continual learning setting for which the target domains are discovered sequentially and without rehearsal, the proposed CTKT approach adapts MTKT to this new problem to tackle catastrophic forgetting. Note de contenu : 1- Introduction
2- Unsupervised domain adaptation
3- Leveraging priviledge information for unsupervised domain adaptation
4- Estimating and exploiting confident pseudo-labels for self-training
5- Adaptation to multiple domains
6- ConclusionNuméro de notice : 24079 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Sorbonne Université : 2022 Organisme de stage : Institut des Systèmes Intelligents et de Robotique DOI : sans En ligne : https://theses.hal.science/tel-03886201 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102213 Estimating aboveground biomass in dense Hyrcanian forests by the use of Sentinel-2 data / Fardin Moradi in Forests, vol 13 n° 1 (January 2022)PermalinkExploring data fusion for multi-object detection for intelligent transportation systems using deep learning / Amira Mimouna (2022)PermalinkGénération d’un jeu de données d’entraînement et mise en oeuvre d’une architecture de détection par deep learning des numéros de parcelles sur les plans du cadastre Napoléonien / Tiecoumba Ibrahim Tamela (2022)PermalinkA GIS-based landslide susceptibility mapping and variable importance analysis using artificial intelligent training-based methods / Pengxiang Zhao in Remote sensing, vol 14 n° 1 (January-1 2022)PermalinkGlobal canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles / Nico Lang in Remote sensing of environment, vol 268 (January 2022)PermalinkHigh-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach / Martin Schwartz (2022)PermalinkInteractive semantic segmentation of aerial images with deep neural networks / Gaston Lenczner (2022)PermalinkPermalinkLearning spatio-temporal representations of satellite time series for large-scale crop mapping / Vivien Sainte Fare Garnot (2022)PermalinkPermalink