Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par réseau neuronal > classification par réseau neuronal convolutif
classification par réseau neuronal convolutifVoir aussi |
Documents disponibles dans cette catégorie (336)
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
Sea-land segmentation using deep learning techniques for Landsat-8 OLI imagery / Ting Yang in Marine geodesy, Vol 43 n° 2 (March 2020)
[article]
Titre : Sea-land segmentation using deep learning techniques for Landsat-8 OLI imagery Type de document : Article/Communication Auteurs : Ting Yang, Auteur ; Zhonghua Hong, Auteur ; Yun Zhang, Auteur Année de publication : 2020 Article en page(s) : pp 105 - 133 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] extraction automatique
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image Landsat-OLI
[Termes IGN] littoral
[Termes IGN] segmentation d'image
[Termes IGN] segmentation sémantique
[Termes IGN] trait de côteRésumé : (auteur) Automated coastline extraction from optical satellites is fundamental to coastal mapping, and sea-land segmentation is the core technology of coastline extraction. Deep convolutional neural networks (DCNNs) have performed well in semantic segmentation in recent years. However, sea-land segmentation using deep learning techniques remains a challenging task, due to the lack of a benchmark dataset and the difficulty of deciding which semantic segmentation model to use. We present a comparative framework of sea-land segmentation to Landsat-8 OLI imagery via semantic segmentation in deep learning techniques. Three issues are investigated: (1) constructing a sea-land benchmark dataset using Landsat-8 Operational Land Imager (OLI) imagery consisting of 18,000 km2 of coastline around China; (2) evaluating the feasibility and performance of sea-land segmentation by comparing the accuracy assessment, time complexity, spatial complexity and stability of state-of-the-art DCNNs methods; (3) choosing the most suitable semantic segmentation model for sea-land segmentation in accordance with Akaike information criterion (AIC) and Bayesian information criterion (BIC) model selection. Results show that the average test accuracy achieves over 99% accuracy, and the mean Intersection over Unions (mean IoU) is above 92%. These findings demonstrate that the Fully Convolutional DenseNet (FC-enseNet) performs better than other state-of-the-art methods in sea-land segmentation, based on both AIC and BIC. Considering training time efficiency, DeeplabV3+ performs better for sea-land segmentation. The sea-land segmentation benchmark dataset is available at: https://pan.baidu.com/s/1BlnHiltOLbLKe4TG8lZ5xg. Numéro de notice : A2020-220 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/01490419.2020.1713266 Date de publication en ligne : 20/01/2020 En ligne : https://doi.org/10.1080/01490419.2020.1713266 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94917
in Marine geodesy > Vol 43 n° 2 (March 2020) . - pp 105 - 133[article]Tree annotations in LiDAR data using point densities and convolutional neural networks / Ananya Gupta in IEEE Transactions on geoscience and remote sensing, vol 58 n° 2 (February 2020)
[article]
Titre : Tree annotations in LiDAR data using point densities and convolutional neural networks Type de document : Article/Communication Auteurs : Ananya Gupta, Auteur ; Jonathan Byrne, Auteur ; David Moloney, Auteur Année de publication : 2020 Article en page(s) : pp 971 - 981 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] Dublin (Irlande ; ville)
[Termes IGN] extraction d'arbres
[Termes IGN] image spectrale
[Termes IGN] Montréal (Québec)
[Termes IGN] segmentation
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] voxel
[Termes IGN] zone urbaineRésumé : (auteur) LiDAR provides highly accurate 3-D point clouds. However, data need to be manually labeled in order to provide subsequent useful information. Manual annotation of such data is time-consuming, tedious, and error prone, and hence, in this article, we present three automatic methods for annotating trees in LiDAR data. The first method requires high-density point clouds and uses certain LiDAR data attributes for the purpose of tree identification, achieving almost 90% accuracy. The second method uses a voxel-based 3-D convolutional neural network on low-density LiDAR data sets and is able to identify most large trees accurately but struggles with smaller ones due to the voxelization process. The third method is a scaled version of the PointNet++ method and works directly on outdoor point clouds and achieves an F score of 82.1% on the ISPRS benchmark data set, comparable to the state-of-the-art methods but with increased efficiency. Numéro de notice : A2020-095 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2942201 Date de publication en ligne : 11/10/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2942201 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94658
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 2 (February 2020) . - pp 971 - 981[article]10th Colour and Visual Computing Symposium 2020 (CVCS 2020), Gjøvik, Norway, and Virtual, September 16-17, 2020 / Jean-Baptiste Thomas (2020)
Titre : 10th Colour and Visual Computing Symposium 2020 (CVCS 2020), Gjøvik, Norway, and Virtual, September 16-17, 2020 : Proceedings Type de document : Actes de congrès Auteurs : Jean-Baptiste Thomas, Éditeur scientifique Editeur : Gjøvik [Norvège] : Norwegian University of Science and Technology Année de publication : 2020 Conférence : CVCS 2020, Colour and Visual Computing Symposium 16/09/2020 17/09/2020 Gjøvik et en ligne Norvège Open Access Proceedings Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse linéaire des mélanges spectraux
[Termes IGN] analyse visuelle
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] couleur (variable spectrale)
[Termes IGN] distribution du coefficient de réflexion bidirectionnelle BRDF
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] imagerie médicale
[Termes IGN] luminance lumineuse
[Termes IGN] peinture
[Termes IGN] photographieNuméro de notice : 25892 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Actes En ligne : http://ceur-ws.org/Vol-2688/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96006
Titre : Advances and applications in deep learning Type de document : Monographie Auteurs : Marco Antonio Aceves-Fernandez, Éditeur scientifique Editeur : London [UK] : IntechOpen Année de publication : 2020 Importance : 122 p. Format : 21 x 30 cm ISBN/ISSN/EAN : 978-1-83962-879-5 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] constante diélectrique
[Termes IGN] méthode fondée sur le noyau
[Termes IGN] programmation stochastique
[Termes IGN] temps réel
[Termes IGN] vision par ordinateurRésumé : (auteur) Artificial Intelligence (AI) has attracted the attention of researchers and users alike and is taking an increasingly crucial role in our modern society. From cars, smartphones, and airplanes to medical equipment, consumer applications, and industrial machines, the impact of AI is notoriously changing the world we live in. In this context, Deep Learning (DL) is one of the techniques that has taken the lead for cognitive processes, pattern recognition, object detection, and machine learning, all of which have played a crucial role in the growth of AI. As such, this book examines DL applications and future trends in the field. It is a useful resource for researchers and students alike. Note de contenu : 1- Advancements in deep learning theory and applications: Perspective in 2020 and beyond
2- Advances in convolutional neural networks
3- Transfer learning and deep domain adaptation
4- Deep learning enabled nanophotonics
5- Explainable artificial intelligence (xAI) approaches and deep meta-learning models
6- Dynamic decision-making for stabilized deep learning software platformsNuméro de notice : 28565 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.5772/intechopen.87786 En ligne : https://doi.org/10.5772/intechopen.87786 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97647 Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne / Hélène Rouillon (2020)
Titre : Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne Type de document : Mémoire Auteurs : Hélène Rouillon, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2020 Importance : 93 p. Format : 21 x 30 cm Note générale : bibliographie
Mémoire de fin d'études d'Ingénieur INSA, spécialité TopographieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] carte de la végétation
[Termes IGN] classification orientée objet
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] couvert végétal
[Termes IGN] extraction de la végétation
[Termes IGN] image aérienne
[Termes IGN] image captée par drone
[Termes IGN] image RVB
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] orthophotographie
[Termes IGN] réseau ferroviaire
[Termes IGN] segmentation d'image
[Termes IGN] système d'information géographiqueIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) La végétation et les risques qu’elle peut comporter pour les infrastructures ferroviaires et leurs usagers constituent un enjeu majeur pour SNCF Réseau. Aujourd’hui, l’entreprise ferroviaire souhaite connaître et maîtriser ce risque végétation. L’objet de ce PFE est l’analyse automatique du couvert végétal en milieu ferroviaire à partir d’imagerie aérienne RGB acquise par drone, hélicoptère ou avion. Pour répondre à cette problématique, un réseau de neurones destiné à la segmentation sémantique des images est mis en œuvre. En effet, une fois bien entraînés, les réseaux de neurones, par leur capacité d’apprentissage, sont en mesure de classifier efficacement toute nouvelle image. Trois classes ont été définies en fonction des risques que pouvaient présenter la végétation : « arbres », « reste de la végétation » et « non-végétation ». Une chaîne de traitement complète des données a été proposée permettant, sur la base de ces images, une cartographie SIG de la végétation. Cette connaissance, aisément déployable sur des lignes entières, doit permettre au mainteneur de cibler les zones prioritaires et d’optimiser ses plans d’élagages. Note de contenu : Introduction
1- Etude préalable au développement de la solution
2- Le réseau de neurones SegNet pour le traitement d’images d’observation de la Terre et la base de données
3- Optimisation du traitement des données
ConclusionNuméro de notice : 28529 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Altametris DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/4133/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97346 Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving / Edouard Capellier (2020)PermalinkPermalinkCattle detection and counting in UAV images based on convolutional neural networks / Wen Shao in International Journal of Remote Sensing IJRS, vol 41 n° 1 (01 - 08 janvier 2020)PermalinkContext-aware convolutional neural network for object detection in VHR remote sensing imagery / Yiping Gong in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)PermalinkConvolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts / Rodrigo Caye Daudt (2020)PermalinkPermalinkPermalinkDeep learning for remote sensing images with open source software / Rémi Cresson (2020)PermalinkPermalinkDéveloppement de la photogrammétrie et d'analyses d'images pour l'étude et le suivi d'habitats marins / Guilhem Marre (2020)Permalink