Centre dedocumentation
scientifique

Improving public data for building segmentation from Convolutional Neural Networks (CNNs) for fused airborne lidar and image data using active contours / David Griffiths in ISPRS Journal of photogrammetry and remote sensing, vol 154 (August 2019)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 154 (August 2019) . - pp 70 - 83 Titre : Improving public data for building segmentation from Convolutional Neural Networks (CNNs) for fused airborne lidar and image data using active contours Type de document : Article/Communication Auteurs : David Griffiths, Auteur ; Jan Boehm, Auteur Année de publication : 2019 Article en page(s) : pp 70 - 83 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] bati [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] détection de contours [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] données publiques [Termes descripteurs IGN] fusion de données [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] Royaume-Uni [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] segmentation sémantique [Termes descripteurs IGN] zone rurale Résumé : (Auteur) Robust and reliable automatic building detection and segmentation from aerial images/point clouds has been a prominent field of research in remote sensing, computer vision and point cloud processing for a number of decades. One of the largest issues associated with deep learning methods is the high quantity of data required for training. To help address this we present a method to improve public GIS building footprint labels by using Morphological Geodesic Active Contours (MorphGACs). We demonstrate by improving the quality of building footprint labels for detection and semantic segmentation, more robust and reliable models can be obtained. We evaluate these methods over a large UK-based dataset of 24556 images containing 169835 building instances. This is achieved by training several Mask/Faster R-CNN and RetinaNet deep convolutional neural networks. Networks are supplied with both RGB and fused RGB-lidar data. We offer quantitative analysis on the benefits of the inclusion of depth data for building segmentation. By employing both methods we achieve a detection accuracy of 0.92 (mAP@0.5) and segmentation f1 scores of 0.94 over a 4911 test images ranging from urban to rural scenes. Numéro de notice : A2019-265 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.05.013 date de publication en ligne : 06/06/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.05.013 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93079 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2019081	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2019083	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2019082	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Automatisation du traitement de données "mobile mapping" : extraction d'éléments linéaires et ponctuels / Loïc Elsholz in XYZ, n° 159 (juin 2019)  

Public [article]  inXYZ > n° 159 (juin 2019) . - pp 37 - 43 Titre : Automatisation du traitement de données "mobile mapping" : extraction d'éléments linéaires et ponctuels Type de document : Article/Communication Auteurs : Loïc Elsholz, Auteur Année de publication : 2019 Article en page(s) : pp 37 - 43 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] chaîne de traitement [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] contrôle qualité [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image terrestre [Termes descripteurs IGN] objet géographique linéaire [Termes descripteurs IGN] objet géographique ponctuel [Termes descripteurs IGN] SAGA GIS [Termes descripteurs IGN] signalisation routière Résumé : (auteur) Par le passé, la compensation du réseau géodésique classique national se faisait par petits blocs et par fuseau suivant la projection UTM. Cela a engendré une propagation d’erreurs entre les blocs et des altérations linéaires au niveau des zones de jonction entre les fuseaux de la projection UTM. Cet article présente la démarche de traitement et calcul du réseau géodésique classique national Algérien, par un ajustement global (utilisant le programme CHABAKA) suivant un fuseau étendu (utilisant le programme TRANMERCAFE). L’application a concerné un réseau échantillon du réseau géodésique primordial de l’Algérie (réalisé par l’IGN, en 1955). Les résultats obtenus sont illustrés et discutés. Numéro de notice : A2019-289 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans En ligne : http://www.aftopo.org/FR/xyz-4.html Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93156 [article]

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2019021	SL	Revue	Centre de documentation	Revues en salle	Disponible
112-2019022	SL	Revue	Centre de documentation	Revues en salle	Disponible

Conditional random field and deep feature learning for hyperspectral image classification / Fahim Irfan Alam in IEEE Transactions on geoscience and remote sensing, vol 57 n° 3 (March 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 57 n° 3 (March 2019) . - pp 1612 - 1628 Titre : Conditional random field and deep feature learning for hyperspectral image classification Type de document : Article/Communication Auteurs : Fahim Irfan Alam, Auteur ; Jun Zhou, Auteur ; Alan Wee-Chung Liew, Auteur ; Xiuping Jia, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 1612 - 1628 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse multibande [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] déconvolution [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] voxel Résumé : (Auteur) Image classification is considered to be one of the critical tasks in hyperspectral remote sensing image processing. Recently, a convolutional neural network (CNN) has established itself as a powerful model in classification by demonstrating excellent performances. The use of a graphical model such as a conditional random field (CRF) contributes further in capturing contextual information and thus improving the classification performance. In this paper, we propose a method to classify hyperspectral images by considering both spectral and spatial information via a combined framework consisting of CNN and CRF. We use multiple spectral band groups to learn deep features using CNN, and then formulate deep CRF with CNN-based unary and pairwise potential functions to effectively extract the semantic correlations between patches consisting of 3-D data cubes. Furthermore, we introduce a deep deconvolution network that improves the final classification performance. We also introduced a new data set and experimented our proposed method on it along with several widely adopted benchmark data sets to evaluate the effectiveness of our method. By comparing our results with those from several state-of-the-art models, we show the promising potential of our method. Numéro de notice : A2019-131 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2018.2867679 date de publication en ligne : 20/09/2018 En ligne : https://doi.org/10.1109/TGRS.2018.2867679 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92461 [article]

Hyperspectral image classification with squeeze multibias network / Leyuan Fang in IEEE Transactions on geoscience and remote sensing, vol 57 n° 3 (March 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 57 n° 3 (March 2019) . - pp 1291 - 1301 Titre : Hyperspectral image classification with squeeze multibias network Type de document : Article/Communication Auteurs : Leyuan Fang, Auteur ; Guangyun Liu, Auteur ; Shutao Li, Auteur ; Pedram Ghamisi, Auteur ; Jon Atli Benediktsson, Auteur Année de publication : 2019 Article en page(s) : pp 1291 - 1301 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] erreur systématique [Termes descripteurs IGN] image hyperspectrale Résumé : (Auteur) A convolutional neural network (CNN) has recently demonstrated its outstanding capability for the classification of hyperspectral images (HSIs). Typical CNN-based methods usually adopt image patches as inputs to the network. However, a fixed-size image patch in HSI with complex spatial contexts may contain multiple ground objects of different classes, which will deteriorate the classification performance of the CNN. In addition, traditional convolutional layers adopted in the CNN have a huge amount of parameters needed to be tuned, which will cause high computational cost. To address the above-mentioned issues, a novel squeeze multibias network (SMBN) is proposed for HSI classification. Specifically, the proposed SMBN first introduces the multibias module (MBM), which incorporates multibias into the rectified linear unit layers. The MBM can decouple the feature maps of input patches into multiple response maps (corresponding to different ground objects) and adaptively select the meaningful maps for classification. Furthermore, the proposed SMBN replaces the traditional convolutional layer with a squeeze convolution module, which can greatly reduce the number of parameters in the network, thus saving the running time, while still maintaining high classification accuracy. Experimental results on three real HSIs demonstrate the superiority of the proposed SMBN method over several state-of-the-art classification approaches. Numéro de notice : A2019-113 Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2018.2865953 date de publication en ligne : 13/09/2018 En ligne : https://doi.org/10.1109/TGRS.2018.2865953 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92453 [article]

Complete 3D scene parsing from an RGBD image / Chuhang Zou in International journal of computer vision, vol 127 n° 2 (February 2019)  

Public [article]  inInternational journal of computer vision > vol 127 n° 2 (February 2019) . - pp 143 - 162 Titre : Complete 3D scene parsing from an RGBD image Type de document : Article/Communication Auteurs : Chuhang Zou, Auteur ; Ruiqi Guo, Auteur ; Zhizhong Li, Auteur ; Derek Hoiem, Auteur Année de publication : 2019 Article en page(s) : pp 143 - 162 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] cohérence géométrique [Termes descripteurs IGN] compréhension de l'image [Termes descripteurs IGN] image isolée [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] reconstruction d'objet [Termes descripteurs IGN] scène 3D Résumé : (Auteur) One major goal of vision is to infer physical models of objects, surfaces, and their layout from sensors. In this paper, we aim to interpret indoor scenes from one RGBD image. Our representation encodes the layout of orthogonal walls and the extent of objects, modeled with CAD-like 3D shapes. We parse both the visible and occluded portions of the scene and all observable objects, producing a complete 3D parse. Such a scene interpretation is useful for robotics and visual reasoning, but difficult to produce due to the well-known challenge of segmentation, the high degree of occlusion, and the diversity of objects in indoor scenes. We take a data-driven approach, generating sets of potential object regions, matching to regions in training images, and transferring and aligning associated 3D models while encouraging fit to observations and spatial consistency. We use support inference to aid interpretation and propose a retrieval scheme that uses convolutional neural networks to classify regions and retrieve objects with similar shapes. We demonstrate the performance of our method on our newly annotated NYUd v2 dataset (Silberman et al., in: Computer vision-ECCV, 2012, pp 746–760, 2012) with detailed 3D shapes. Numéro de notice : A2018-598 Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s11263-018-1133-z date de publication en ligne : 21/11/2018 En ligne : https://doi.org/10.1007/s11263-018-1133-z Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92525 [article]

Learning spectral-spatial-temporal features via a recurrent convolutional neural network for change detection in multispectral imagery / Lichao Mou in IEEE Transactions on geoscience and remote sensing, vol 57 n° 2 (February 2019)  

Permalink

Correcting rural building annotations in OpenStreetMap using convolutional neural networks / John E. Vargas-Muñoz in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)  

Permalink

Détection et localisation d'objets 3D par apprentissage profond en topologie capteur / Pierre Biasutti (2019)    

Permalink

Remote sensing scene classification using multilayer stacked covariance pooling / Nanjun He in IEEE Transactions on geoscience and remote sensing, vol 56 n° 12 (December 2018)  

Permalink

Scene classification based on multiscale convolutional neural network / Yanfei Liu in IEEE Transactions on geoscience and remote sensing, vol 56 n° 12 (December 2018)  

Permalink

Application of deep learning for object detection / Ajeet Ram Pathak in Procedia Computer Science, vol 132 (2018)  

Permalink