Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > segmentation > segmentation sémantique
segmentation sémantiqueSynonyme(s)étiquetage sémantique étiquetage de données |
Documents disponibles dans cette catégorie (225)
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
Geometric features and their relevance for 3D point cloud classification / Martin Weinmann in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-1/W1 (May 2017)
[article]
Titre : Geometric features and their relevance for 3D point cloud classification Type de document : Article/Communication Auteurs : Martin Weinmann, Auteur ; Boris Jutzi, Auteur ; Clément Mallet , Auteur ; Michael Weinmann, Auteur Année de publication : 2017 Projets : 1-Pas de projet / Conférence : ISPRS 2017, Workshops HRIGI – CMRT – ISA – EuroCOW 06/06/2017 09/06/2017 Hanovre Allemagne ISPRS OA Annals Article en page(s) : pp 157 - 164 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] classe d'objets
[Termes IGN] classification
[Termes IGN] données localisées 3D
[Termes IGN] échantillonnage de données
[Termes IGN] étiquette de classe
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] interprétation automatique
[Termes IGN] semis de points
[Termes IGN] voisinage (relation topologique)Résumé : (auteur) In this paper, we focus on the automatic interpretation of 3D point cloud data in terms of associating a class label to each 3D point. While much effort has recently been spent on this research topic, little attention has been paid to the influencing factors that affect the quality of the derived classification results. For this reason, we investigate fundamental influencing factors making geometric features more or less relevant with respect to the classification task. We present a framework which consists of five components addressing point sampling, neighborhood recovery, feature extraction, classification and feature relevance assessment. To analyze the impact of the main influencing factors which are represented by the given point sampling and the selected neighborhood type, we present the results derived with different configurations of our framework for a commonly used benchmark dataset for which a reference labeling with respect to three structural classes (linear structures, planar structures and volumetric structures) as well as a reference labeling with respect to five semantic classes (Wire, Pole/Trunk, Façade, Ground and Vegetation) is available. Numéro de notice : A2017-860 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-IV-1-W1-157-2017 Date de publication en ligne : 30/05/2017 En ligne : https://doi.org/10.5194/isprs-annals-IV-1-W1-157-2017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89840
in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol IV-1/W1 (May 2017) . - pp 157 - 164[article]Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery / Clément Dechesne in ISPRS Journal of photogrammetry and remote sensing, vol 126 (April 2017)
[article]
Titre : Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Année de publication : 2017 Projets : HYEP / Weber, Christiane Article en page(s) : pp 129 – 145 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] classification automatique
[Termes IGN] classification dirigée
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] espèce végétale
[Termes IGN] extraction d'arbres
[Termes IGN] fusion d'images
[Termes IGN] image aérienne
[Termes IGN] image multibande
[Termes IGN] peuplement forestier
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (auteur) Forest stands are the basic units for forest inventory and mapping. Stands are defined as large forested areas (e.g., ⩾⩾2 ha) of homogeneous tree species composition and age. Their accurate delineation is usually performed by human operators through visual analysis of very high resolution (VHR) infra-red images. This task is tedious, highly time consuming, and should be automated for scalability and efficient updating purposes. In this paper, a method based on the fusion of airborne lidar data and VHR multispectral images is proposed for the automatic delineation of forest stands containing one dominant species (purity superior to 75%). This is the key preliminary task for forest land-cover database update. The multispectral images give information about the tree species whereas 3D lidar point clouds provide geometric information on the trees and allow their individual extraction. Multi-modal features are computed, both at pixel and object levels: the objects are individual trees extracted from lidar data. A supervised classification is then performed at the object level in order to coarsely discriminate the existing tree species in each area of interest. The classification results are further processed to obtain homogeneous areas with smooth borders by employing an energy minimum framework, where additional constraints are joined to form the energy function. The experimental results show that the proposed method provides very satisfactory results both in terms of stand labeling and delineation (overall accuracy ranges between 84% and 99%). Numéro de notice : A2017-116 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.02.011 Date de publication en ligne : 27/02/2017 En ligne : http://dx.doi.org/10.1016/j.isprsjprs.2017.02.011 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84511
in ISPRS Journal of photogrammetry and remote sensing > vol 126 (April 2017) . - pp 129 – 145[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2017041 RAB Revue Centre de documentation En réserve L003 Disponible 081-2017043 DEP-EXM Revue LASTIG Dépôt en unité Exclu du prêt 081-2017042 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt Cartographie de l'occupation des sols à partir de séries temporelles d'images satellitaires à hautes résolutions : identification et traitement des données mal étiquetées / Charlotte Pelletier (2017)
Titre : Cartographie de l'occupation des sols à partir de séries temporelles d'images satellitaires à hautes résolutions : identification et traitement des données mal étiquetées Type de document : Thèse/HDR Auteurs : Charlotte Pelletier, Auteur ; Gérard Dedieu, Directeur de thèse ; Silvia Valero, Directeur de thèse ; Nicolas Champion , Encadrant Editeur : Toulouse : Université de Toulouse 3 Paul Sabatier Année de publication : 2017 Importance : 289 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse en vue de l'obtention du Doctorat de l'Université Paul Sabatier de ToulouseLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] échantillonnage
[Termes IGN] erreur de classification
[Termes IGN] étiquette de classe
[Termes IGN] filtrage du bruit
[Termes IGN] image à haute résolution
[Termes IGN] image satellite
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT
[Termes IGN] série temporelle
[Termes IGN] télédétection spatialeIndex. décimale : THESE Thèses et HDR Résumé : (auteur) L'étude des surfaces continentales est devenue ces dernières années un enjeu majeur à l'échelle mondiale pour la gestion et le suivi des territoires, notamment en matière de consommation des terres agricoles et d'étalement urbain. Dans ce contexte, les cartes d'occupation du sol caractérisant la couverture biophysique des terres émergées jouent un rôle essentiel pour la cartographie des surfaces continentales. La production de ces cartes sur de grandes étendues s'appuie sur des données satellitaires qui permettent de photographier les surfaces continentales fréquemment et à faible coût. Le lancement de nouvelles constellations satellitaires - Landsat-8 et Sentinel-2 - permet depuis quelques années l'acquisition de séries temporelles à hautes résolutions. Ces dernières sont utilisées dans des processus de classification supervisée afin de produire les cartes d'occupation du sol. L'arrivée de ces nouvelles données ouvre de nouvelles perspectives, mais questionne sur le choix des algorithmes de classification et des données à fournir en entrée du système de classification. Outre les données satellitaires, les algorithmes de classification supervisée utilisent des échantillons d'apprentissage pour définir leur règle de décision. Dans notre cas, ces échantillons sont étiquetés, \ie{} la classe associée à une occupation des sols est connue. Ainsi, la qualité de la carte d'occupation des sols est directement liée à la qualité des étiquettes des échantillons d'apprentissage. Or, la classification sur de grandes étendues nécessite un grand nombre d'échantillons, qui caractérise la diversité des paysages. Cependant, la collecte de données de référence est une tâche longue et fastidieuse. Ainsi, les échantillons d'apprentissage sont bien souvent extraits d'anciennes bases de données pour obtenir un nombre conséquent d'échantillons sur l'ensemble de la surface à cartographier. Cependant, l'utilisation de ces anciennes données pour classer des images satellitaires plus récentes conduit à la présence de nombreuses données mal étiquetées parmi les échantillons d'apprentissage. Malheureusement, l'utilisation de ces échantillons mal étiquetés dans le processus de classification peut engendrer des erreurs de classification, et donc une détérioration de la qualité de la carte produite. L'objectif général de la thèse vise à améliorer la classification des nouvelles séries temporelles d'images satellitaires à hautes résolutions. Le premier objectif consiste à déterminer la stabilité et la robustesse des méthodes de classification sur de grandes étendues. Plus particulièrement, les travaux portent sur l'analyse d'algorithmes de classification et la sensibilité de ces algorithmes vis-à-vis de leurs paramètres et des données en entrée du système de classification. De plus, la robustesse de ces algorithmes à la présence des données imparfaites est étudiée. Le second objectif s'intéresse aux erreurs présentes dans les données d'apprentissage, connues sous le nom de données mal étiquetées. Dans un premier temps, des méthodes de détection de données mal étiquetées sont proposées et étudiées. Dans un second temps, un cadre méthodologique est proposé afin de prendre en compte les données mal étiquetées dans le processus de classification. L'objectif est de réduire l'influence des données mal étiquetées sur les performances de l'algorithme de classification, et donc d'améliorer la carte d'occupation des sols produite. Note de contenu : 1- Introduction
2- Méthodes et données
3- Stabilité et robustesse des algorithmes de classification
4- Détection des données mal étiquetées
5- ConclusionNuméro de notice : 25734 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Surfaces et interfaces continentales, Hydrologie : Toulouse 3 : 2017 Organisme de stage : Centre d’Études Spatiales de la Biosphère (CESBIO) nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2017TOU30241 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94923 How to combine lidar and very high resolution multispectral images for forest stand segmentation? / Clément Dechesne (2017)
Titre : How to combine lidar and very high resolution multispectral images for forest stand segmentation? Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2017 Projets : 2-Pas d'info accessible - article non ouvert / Weber, Christiane Conférence : IGARSS 2017, IEEE International Geoscience And Remote Sensing Symposium 23/07/2017 28/07/2017 Fort Worth Texas - Etats-Unis Proceedings IEEE Importance : pp 2772 - 2775 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image infrarouge
[Termes IGN] image multibande
[Termes IGN] inventaire forestier (techniques et méthodes)
[Termes IGN] peuplement forestier
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Vedettes matières IGN] Inventaire forestierRésumé : (auteur) Forest stands are a basic unit of analysis for forest inventory and mapping. Stands are defined as large forested areas of homogeneous tree species composition and age. Their accurate delineation is usually performed by human operators through visual analysis of very high resolution (VHR) infra-red and visible images. This task is tedious, highly time consuming, and needs to be automated for scalability and efficient updating purposes. The most appropriate fusion of two remote sensing modalities (lidar and multispectral images) is investigated here. The multispectral images give information about the tree species while 3D lidar point clouds provide geometric information. The fusion is operated at three different levels within a semantic segmentation workflow: over-segmentation, classification, and regularization. Results show that over-segmentation can be performed either on lidar or optical images without performance loss or gain, whereas fusion is mandatory for efficient semantic segmentation. Eventually, the fusion strategy dictates the composition and nature of the forest stands, assessing the high versatility of our approach. Numéro de notice : C2017-039 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2017.8127572 Date de publication en ligne : 04/12/2017 En ligne : https://doi.org/10.1109/IGARSS.2017.8127572 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91921 Réseaux de neurones convolutifs pour la segmentation sémantique et l'apprentissage d'invariants de couleur / Damien Fourure (2017)
Titre : Réseaux de neurones convolutifs pour la segmentation sémantique et l'apprentissage d'invariants de couleur Type de document : Thèse/HDR Auteurs : Damien Fourure, Auteur ; Alain Trémeau, Directeur de thèse ; Christian Wolf, Directeur de thèse Editeur : Université de Lyon Année de publication : 2017 Autre Editeur : Saint-Etienne : Université Jean-Monnet-Saint-Etienne Importance : 178 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Université de Lyon opérée au sein de l’Université Jean Monnet de Saint-Étienne, Spécialité de doctorat : InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] architecture de réseau
[Termes IGN] chromatopsie
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] estimation de pose
[Termes IGN] intelligence artificielle
[Termes IGN] Perceptron multicouche
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La vision par ordinateur est un domaine interdisciplinaire étudiant la manière dont les ordinateurs peuvent acquérir une compréhension de haut niveau à partir d’images ou de vidéos numériques. En intelligence artificielle, et plus précisément en apprentissage automatique, domaine dans lequel se positionne cette thèse, la vision par ordinateur passe par l’extraction de caractéristiques présentes dans les images puis par la généralisation de concepts liés à ces caractéristiques. Ce domaine de recherche est devenu très populaire ces dernières années, notamment grâce aux résultats des réseaux de neurones convolutifs à la base des méthodes dites d’apprentissage profond. Aujourd’hui les réseaux de neurones permettent, entre autres, de reconnaître les différents objets présents dans une image, de générer des images très réalistes ou même de battre les champions au jeu de Go. Leurs performances ne s’arrêtent d’ailleurs pas au domaine de l’image puisqu’ils sont aussi utilisés dans d’autres domaines tels que le traitement du langage naturel (par exemple en traduction automatique) ou la reconnaissance de son. Dans cette thèse, nous étudions les réseaux de neurones convolutifs afin de développer des architectures et des fonctions de coûts spécialisées à des tâches aussi bien de bas niveau (la constance chromatique) que de haut niveau (la segmentation sémantique d’image). Une première contribution s’intéresse à la tâche de constance chromatique. En vision par ordinateur, l’approche principale consiste à estimer la couleur de l’illuminant puis à supprimer son impact sur la couleur perçue des objets. Les expériences que nous avons menées montrent que notre méthode permet d’obtenir des performances compétitives avec l’état de l’art. Néanmoins, notre architecture requiert une grande quantité de données d’entraînement. Afin de corriger en parti ce problème et d’améliorer l’entraînement des réseaux de neurones, nous présentons plusieurs techniques d’augmentation artificielle de données. Nous apportons également deux contributions sur une problématique de haut niveau : la segmentation sémantique d’image. Cette tâche, qui consiste à attribuer une classe sémantique à chacun des pixels d’une image, constitue un défi en vision par ordinateur de par sa complexité. D’une part, elle requiert de nombreux exemples d’entraînement dont les vérités terrains sont coûteuses à obtenir. D’autre part, elle nécessite l’adaptation des réseaux de neurones convolutifs traditionnels afin d’obtenir une prédiction dite dense, c’est-à-dire, une prédiction pour chacun pixel présent dans l’image d’entrée. Pour résoudre la difficulté liée à l’acquisition de données d’entrainements, nous proposons une approche qui exploite simultanément plusieurs bases de données annotées avec différentes étiquettes. Pour cela, nous définissons une fonction de coût sélective. Nous développons aussi une approche dites d’auto-contexte capturant d’avantage les corrélations existantes entre les étiquettes des différentes bases de données. Finalement, nous présentons notre troisième contribution : une nouvelle architecture de réseau de neurones convolutifs appelée GridNet spécialisée pour la segmentation sémantique d’image. Contrairement aux réseaux traditionnels, notre architecture est implémentée sous forme de grille 2D permettant à plusieurs flux interconnectés de fonctionner à différentes résolutions. Afin d’exploiter la totalité des chemins de la grille, nous proposons une technique d’entraînement inspirée du dropout. En outre, nous montrons empiriquement que notre architecture généralise de nombreux réseaux bien connus de l’état de l’art. Nous terminons par une analyse des résultats empiriques obtenus avec notre architecture qui, bien qu’entraînée avec une initialisation aléatoire des poids, révèle de très bonnes performances, dépassant les approches populaires souvent pré-entraînés. Note de contenu : 1- Introduction
2- Les réseaux de neurones convolutifs pour la vision par ordinateur
3- Sous-échantillonnage mixte appliqué à la constance chromatique
4- Segmentation sémantique d’images
5- Une fonction de coût sélective
6- GridNet, une architecture spécialisée pour la segmentation sémantique
7- Conclusion et PerspectivesNuméro de notice : 25838 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Informatique : Lyon : 2017 Organisme de stage : Université Jean Monnet de Saint-Étienne + LIRIS nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02111472/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95192 Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers / Clément Dechesne (2017)PermalinkFrom Aristotle to semantic analysis / Allan Gajadhar in Research information, n° 85 (August - September 2016)PermalinkPermalinkLabel embedding : a frugal baseline for text recognition / Jose A. Rodriguez-Serrano in International journal of computer vision, vol 113 n° 3 (July 2015)PermalinkECM et big data : vers le big ECM / Christophe Dutheil in Archimag, n° 282 (mars 2015)PermalinkMapping large spatial flow data with hierarchical clustering / Xi Zhu in Transactions in GIS, vol 18 n° 3 (June 2014)PermalinkExtension de l’étiquetage géographique des pixels d’une image par fouille de données / Adrien Gressin in Revue des Nouvelles Technologies de l'Information, E.26 ([23/01/2014])PermalinkAnalyse sémantique de nuages de points 3D dans le milieu urbain : sol, façades, objets urbains et accessibilité / Andres Felipe Serna Morales (2014)PermalinkAssessing the veracity of methods for extracting place semantics from Flickr tags / William A Mackaness in Transactions in GIS, vol 17 n° 4 (August 2013)PermalinkObject-based image analysis of high-resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process / A. Rizvi in IEEE Transactions on geoscience and remote sensing, vol 49 n° 12 Tome 1 (December 2011)Permalink