Descripteur
Termes IGN > mathématiques > statistique mathématique > probabilités > stochastique > modèle stochastique > modèle graphique > champ aléatoire de Markov > champ aléatoire conditionnel
champ aléatoire conditionnel |
Documents disponibles dans cette catégorie (16)
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
Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)
contenu dans ISPRS Hannover Workshop: HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 / Christian Heipke (2017)
Titre : Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds Type de document : Article/Communication Auteurs : Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2017 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 42-1/W1 Conférence : ISPRS 2017 Workshops HRIGI – CMRT – ISA – EuroCOW 06/06/2017 09/06/2017 Hanovre Allemagne ISPRS OA Archives Importance : pp 151 - 157 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] carte de confiance
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] scène urbaine
[Termes IGN] segmentation
[Termes IGN] semis de pointsRésumé : (auteur) We consider the problem of the semantic classification of 3D LiDAR point clouds obtained from urban scenes when the training set is limited. We propose a non-parametric segmentation model for urban scenes composed of anthropic objects of simple shapes, partionning the scene into geometrically-homogeneous segments which size is determined by the local complexity. This segmentation can be integrated into a conditional random field classifier (CRF) in order to capture the high-level structure of the scene. For each cluster, this allows us to aggregate the noisy predictions of a weakly-supervised classifier to produce a higher confidence data term. We demonstrate the improvement provided by our method over two publicly-available large-scale data sets. Numéro de notice : C2017-034 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLII-1-W1-151-2017 Date de publication en ligne : 31/05/2017 En ligne : https://doi.org/10.5194/isprs-archives-XLII-1-W1-151-2017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89327
Titre : Conditional random fields for the classification of LiDAR point clouds Type de document : Article/Communication Auteurs : Joachim Niemeyer, Auteur ; Clément Mallet , Auteur ; Franz Rottensteiner, Auteur ; Uwe Soergel, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2011 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 38/4-W19 Conférence : ISPRS 2011, High-Resolution Earth Imaging for Geospatial Information workshop 14/06/2011 17/06/2011 Hanovre Allemagne OA ISPRS Archives Importance : 6 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] densité des points
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] forme d'onde pleine
[Termes IGN] prise en compte du contexte
[Termes IGN] semis de points
[Termes IGN] zone urbaine denseRésumé : (auteur) In this paper we propose a probabilistic supervised classification algorithm for LiDAR (Light Detection And Ranging) point clouds. Several object classes (i.e. ground, building and vegetation) can be separated reliably by considering each point's neighbourhood. Based on Conditional Random Fields (CRF) this contextual information can be incorporated into classification process in order to improve results. Since we want to perform a point-wise classification, no primarily segmentation is needed. Therefore, each 3D point is regarded as a graph's node, whereas edges represent links to the nearest neighbours. Both nodes and edges are associated with features and have effect on the classification. We use some features available from full waveform technology such as amplitude, echo width and number of echoes as well as some extracted geometrical features. The aim of the paper is to describe the CRF model set-up for irregular point clouds, present the features used for classification, and to discuss some results. The resulting overall accuracy is about 94 %. Numéro de notice : C2011-069 Affiliation des auteurs : MATIS+Ext (1993-2011) Thématique : IMAGERIE Nature : Communication DOI : 10.5194/isprsarchives-XXXVIII-4-W19-209-2011 Date de publication en ligne : 07/09/2012 En ligne : https://doi.org/10.5194/isprsarchives-XXXVIII-4-W19-209-2011 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101398 Conditional random fields for urban scene : Classification with full waveform LiDAR Data / Joachim Niemeyer (2011)
Titre : Conditional random fields for urban scene : Classification with full waveform LiDAR Data Type de document : Article/Communication Auteurs : Joachim Niemeyer, Auteur ; Jan Dirk Wegner, Auteur ; Clément Mallet , Auteur ; Franz Rottensteiner, Auteur ; Uwe Soergel, Auteur Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2011 Conférence : PIA 2011, ISPRS Conference on Photogrammetric Image Analysis 05/10/2011 07/10/2011 Munich Allemagne OA ISPRS Archives Importance : pp 233 - 244 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] densité des points
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] forme d'onde pleine
[Termes IGN] prise en compte du contexte
[Termes IGN] semis de points
[Termes IGN] zone urbaine denseRésumé : (auteur) We propose a context-based classification method for point clouds acquired by full waveform airborne laser scanners. As these devices provide a higher point density and additional information like echo width or type of return, an accurate distinction of several object classes is possible. However, especially in dense urban areas correct labelling is a challenging task. Therefore, we incorporate context knowledge by using Conditional Random Fields. Typical object structures are learned in a training step and improve the results of the point-based classification process. We validate our approach with two real-world datasets and by a comparison to Support Vector Machines and Markov Random Fields. Numéro de notice : C2011-033 Affiliation des auteurs : MATIS+Ext (1993-2011) Thématique : IMAGERIE Nature : Communication DOI : 10.1007/978-3-642-24393-6_20 En ligne : https://doi.org/10.1007/978-3-642-24393-6_20 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=85946 Documents numériques
peut être téléchargé
Conditional random fields for urban scene - postpublicationAdobe Acrobat PDF Détection de feux de forêt par analyse statistique d'évènements rares à partir d'images infrarouges thermiques / Florent Lafarge in Traitement du signal, vol 24 n° 1 ([01/02/2007])
[article]
Titre : Détection de feux de forêt par analyse statistique d'évènements rares à partir d'images infrarouges thermiques Titre original : Forest fire detection by statistical analysis of rare events from thermical infrared images Type de document : Article/Communication Auteurs : Florent Lafarge, Auteur ; Xavier Descombes, Auteur ; Josiane Zerubia, Auteur ; S. Mathieu-Marni, Auteur Année de publication : 2007 Conférence : GRETSI 2005, 20e Colloque sur le traitement du signal et des images 06/09/2005 09/09/2005 Louvain Belgique OA proceedings Article en page(s) : pp 1 - 12 Note générale : bibliographie Langues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] champ aléatoire conditionnel
[Termes IGN] image satellite
[Termes IGN] image thermique
[Termes IGN] incendie de forêtRésumé : (auteur) Le canal IRT (InfraRouge Thermique) contient des longueurs d'onde particulièrement sensibles à l'émission de chaleur. Les feux de forêt peuvent alors être caractérisés par des pics d'intensité sur des images IRT. Nous proposons une méthode automatique de détection des feux de forêt par imagerie satellitaire fondée sur la théorie des champs aléatoires. Pour ce faire, nous cherchons à modéliser dans un premier temps l'image par une réalisation d'un champ gaussien. Les zones de feux, minoritaires et de fortes intensités sont considérées comme des éléments étrangers à ce champ : ce sont des évènements rares. Ensuite, par une analyse statistique, nous déterminons un jeu de probabilités définissant, pour une zone donnée de l'image, un degré d'appartenance au champ gaussien, et par complémentarité aux zones potentiellement en feux. Numéro de notice : A2007-128 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans En ligne : https://gretsi.fr/data/ts/pdf/2007_24_1_8905_1.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103326
in Traitement du signal > vol 24 n° 1 [01/02/2007] . - pp 1 - 12[article]