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
De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)
Titre : De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond Type de document : Thèse/HDR Auteurs : Lionel Matteo, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 170 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse en vue de l’obtention du grade de docteur de l'Université Côte d'Azur, en Sciences de la Terre et de l’UniversLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] acquisition d'images
[Termes IGN] analyse comparative
[Termes IGN] apprentissage profond
[Termes IGN] Arizona (Etats-Unis)
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] données topographiques
[Termes IGN] faille géologique
[Termes IGN] fusion de données multisource
[Termes IGN] image captée par drone
[Termes IGN] image multi sources
[Termes IGN] image Pléiades-HR
[Termes IGN] MicMac
[Termes IGN] modèle de simulation
[Termes IGN] modèle numérique de surface
[Termes IGN] Nevada (Etats-Unis)
[Termes IGN] reconstruction 3D
[Termes IGN] semis de points
[Termes IGN] stéréo-orthophotographie
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Les failles sismogéniques sont la source des séismes. L'étude de leurs propriétés nous informe donc sur les caractéristiques des forts séismes qu'elles peuvent produire. Les failles sont des objets 3D qui forment des réseaux complexes incluant une faille principale et une multitude de failles et fractures secondaires qui "découpent" la roche environnante à la faille principale. Mon objectif dans cette thèse a été de développer des approches pour aider à étudier cette fracturation secondaire intense. Pour identifier, cartographier et mesurer les fractures et les failles dans ces réseaux, j'ai adressé deux défis : -1) Les failles peuvent former des escarpements topographiques très pentus à la surface du sol, créant des "couloirs" ou des canyons étroits et profond où la topographie et donc, la trace des failles, peut être difficile à mesurer en utilisant des méthodologies standard (comme des acquisitions d'images satellites optiques stéréo et tri-stéréo). Pour répondre à ce défi, j'ai utilisé des acquisitions multi-stéréos avec différentes configurations (différents angles de roulis et tangage, différentes dates et modes d'acquisitions). Notre base de données constituée de 37 images Pléiades dans trois sites tectoniques différents dans l'Ouest américain (Valley of Fire, Nevada ; Granite Dells, Arizona ; Bishop Tuff, California) m'a permis de tester différentes configurations d'acquisitions pour calculer la topographie avec trois approches différentes. En utilisant la solution photogrammétrique open-source Micmac (IGN ; Rupnik et al., 2017), j'ai calculé la topographie sous la forme de Modèles Numériques de Surfaces (MNS) : (i) à partir de combinaisons de 2 à 17 images Pléiades, (ii) en fusionnant des MNS calculés individuellement à partir d'acquisitions stéréo et tri-stéréo, évitant alors l'utilisant d'acquisitions multi-dates et (iii) en fusionnant des nuages de points calculés à partir d'acquisitions tri-stéréos en suivant la méthodologie multi-vues développée par Rupnik et al. (2018). J’ai aussi combiné, dans une dernière approche (iv), des acquisitions tri-stéréos avec la méthodologie multi-vues stéréos du CNES/CMLA (CARS) développé par Michel et al. (2020), en combinant des acquisitions tri-stéréos. A partir de ces quatre approches, j'ai calculé plus de 200 MNS et mes résultats suggèrent que deux acquisitions tri-stéréos ou une acquisition stéréo combinée avec une acquisition tri-stéréo avec des angles de roulis opposés permettent de calculer les MNS avec la surface topographique la plus complète et précise. -2) Couramment, les failles sont cartographiées manuellement sur le terrain ou sur des images optiques et des données topographiques en identifiant les traces curvilinéaires qu'elles forment à la surface du sol. Néanmoins, la cartographie manuelle demande beaucoup de temps, ce qui limite notre capacité à produire cartographies et mesures complètes des réseaux de failles. Pour s'affranchir de ce problème, j'ai adopté une approche d'apprentissage profond, couramment appelé un réseau de neurones convolutifs (CNN) - U-Net, pour automatiser l'identification et la cartographie des fractures et des failles dans des images optiques et des données topographiques. Volontairement, le modèle CNN a été entraîné avec une quantité modérée de fractures et failles cartographiées manuellement à basse résolution et dans un seul type d'images optiques (photographies du sol avec des caméras classiques). A partir d'un grand nombre de tests, j'ai sélectionné le meilleur modèle, MRef et démontre sa capacité à prédire des fractures et des failles précisément dans données optiques et topographiques de différents types et différentes résolutions (photographies prises au sol, avec un drone et par satellite). Le modèle MRef montre de bonnes capacités de généralisations faisant alors de ce modèle un bon outil pour cartographie rapidement et précisément des fractures et des failles dans des images optiques et des données topographiques. Note de contenu : Introduction générale
Partie 1 - Reconstruction 3D haute résolution
1. Introduction
1.1 Les données topographiques, une solution pour analyser la surface terrestre
1.2 Le récent développement de satellites à capteur optique
1.3 La reconstruction 3D à partir d’images optiques : la photogrammétrie
1.4 Problématique du sujet
2. Acquisitions de données et sites d’études
2.1 Acquisitions d’images satellitaires
2.2 Données LiDAR aéroportées
2.3 Acquisitions d’images par drone
2.4 Acquisitions d’images par appareil photo suspendu à une perche
2.5 Acquisitions de points d’appui
2.6 Sites d’études
3. Calcul de MNS et estimation de leur performance
3.1 Micmac (IGN)
3.2 CARS (CNES/CMLA)
3.3 Quatre méthodes pour calculer des MNS
3.4 Performances des MNS
4. Résultats
4.1 MNS calculés avec des acquisitions multi-dates
4.2 Fusion de MNS calculés avec des acquisitions mono-dates
4.3 Reconstruction 3D à partir de nuage de points fusionnés
4.4 Analyses des MNS générés avec CARS
4.5 Comparaison des méthodes B, C et D dans la zone de Canyons de Valley of Fire 65
4.6 Utilisation de 1 à 4 GCPs pour calculer un MNS
4.7 Application de la méthode B aux deux autres sites
5. Discussion
5.1 La reconstruction 3D à partir d’acquisitions multi-dates
5.2 L’impact des méthodes B, C et D dans la performance des MNS finaux
5.3 Les erreurs possibles dans le calcul des erreurs du géoréférencement des MNS
5.4 La comparaison des MNS Pléiades calculés à d’autres MNS
6. Conclusions
Partie 2 - Automatic fault mapping in remote optical images and topographic data with deep learning - submitted to JGR: Solid Earth
7. Introduction
8. Image, topographic and fault data
8.1 Fault Sites
8.2 Optical image and topographic data
8.3 Fault ground truth derived from manual mapping
9. Deep learning methodology
9.1 Principles of Deep Learning and Convolutional Neural Networks
9.2 Architecture of the CNN model used in present study
9.3 Training procedure
9.4 Estimating the performance of the models
10. Defining a “reference model” MRef
10.1 Selecting the most appropriate CNN architecture
10.2 Sensitivity of model performance to training data size
10.3 Sensitivity of model performance to “quality” of training data
10.4 Refrence model
11. Detailed evaluation of reference model fault predictions
11.1 Results in sites A and B
11.2 Predictions in unseen data of similar type
11.3 Predictions in unseen data of different type
12. Discussion
12.1 U-net appropriate for fracture and fault detection in optical images
12.2 Interpreting learnt characteristics of faults and fractures
12.3 Conditions for model generalization
12.4 Uncertainties and model robustness
12.5 Recovering fault hierarchy and connectivity
13 Conclusions
Conclusion généraleNuméro de notice : 26555 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la Terre et de l'Univers : Côte d'Azur : 2020 Organisme de stage : Géoazur UMR 7329 - Observatoire de la Côte d'Azur nature-HAL : Thèse Date de publication en ligne : 02/06/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03245713/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97965
Titre : Des images satellites aux cartes vectorielles Type de document : Thèse/HDR Auteurs : Onur Tasar, Auteur ; Pierre Alliez, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée en vue de l'obtention du grade de docteur en Automatique, Traitement du Signal et des Images de l'Université Côte d'AzurLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification dirigée
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification pixellaire
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données massives
[Termes IGN] données matricielles
[Termes IGN] généralisation cartographique
[Termes IGN] géomètrie algorithmique
[Termes IGN] image aérienne
[Termes IGN] image satellite
[Termes IGN] maillage
[Termes IGN] représentation vectorielle
[Termes IGN] segmentation sémantique
[Termes IGN] vectorisationIndex. décimale : THESE Thèses et HDR Résumé : (auteur) With the help of significant technological developments over the years, it has been possible to collect massive amounts of remote sensing data. For example, the constellations of various satellites are able to capture large amounts of remote sensing images with high spatial resolution as well as rich spectral information over the globe. The availability of such huge volume of data has opened the door to numerous applications and raised many challenges. Among these challenges, automatically generating accurate maps has become one of the most interesting and long-standing problems, since it is a crucial process for a wide range of applications in domains such as urban monitoring and management, precise agriculture, autonomous driving, and navigation. This thesis seeks for developing novel approaches to generate vector maps from remote sensing images. To this end, we split the task into two sub-stages. The former stage consists in generating raster maps from remote sensing images by performing pixel-wise classification using advanced deep learning techniques. The latter stage aims at converting raster maps to vector ones by leveraging computational geometry approaches. This thesis addresses the challenges that are commonly encountered within both stages. Although previous research has shown that convolutional neural networks (CNNs)are able to generate excellent maps when training data are representative for test data, their performance significantly drops when there exists a large distribution difference between training and test images. In the first stage of our pipeline, we mainly aim atvercoming limited generalization abilities of CNNs to perform large-scale classification. We also explore a way of leveraging multiple data sets collected at different times with annotations for separate classes to train CNNs that can generate maps for all the classes. In the second part, we propose a method that vectorizes raster maps to integrate them into geographic information systems applications, which completes our processing pipeline. Throughout this thesis, we experiment on a large number of very high resolution satellite and aerial images. Our experiments demonstrate robustness and scalability of the proposed methods. Note de contenu : 1- Introduction
2- Progressively learning to segment new classes
3- City-to-city domain adaptation
4- Multi-source domain adaptation by data standardization
5- Multi-source, multi-target, and life-long domain adaptation
6- Vectorization of buildings via mesh approximation
7- Conclusions and perspectivesNuméro de notice : 28571 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du Signal et des Images : Côte d'Azur : 2020 Organisme de stage : INRIA Sophia Antipolis nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-02989681v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97728 Imaging and diagnostic of sub-wavelength micro-structures, from closed-form algorithms to deep learning / Peipei Ran (2020)
Titre : Imaging and diagnostic of sub-wavelength micro-structures, from closed-form algorithms to deep learning Type de document : Thèse/HDR Auteurs : Peipei Ran, Auteur ; Dominique Lesselier, Directeur de thèse Editeur : Bures-sur-Yvette : Université Paris-Saclay Année de publication : 2020 Importance : 135 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de doctorat de l’Université Paris-Saclay, Traitement du signal et des imagesLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement du signal
[Termes IGN] apprentissage profond
[Termes IGN] chambre anéchoïque
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] diffraction
[Termes IGN] diffusion de Rayleigh
[Termes IGN] hyperfréquence
[Termes IGN] impulsion
[Termes IGN] longueur d'onde
[Termes IGN] micro-onde
[Termes IGN] réseau neuronal récurrent
[Termes IGN] zone d'intérêtIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Electromagnetic probing of a gridlike, finite set of infinitely long circular cylindrical dielectric rods affected by missing ones is investigated from time-harmonic single and multiple frequency data. Sub-wavelength distances between adjacent rods and sub-wavelength rod diameters are assumed throughout the frequency band of operation and this leads to a severe challenge due to need of super-resolution within the present micro-structure, well beyond the Rayleigh criterion. A wealth of solution methods is investigated and comprehensive numerical simulations illustrate pros and cons, completed by processing laboratory-controlled experimental data acquired on a micro-structure prototype in a microwave anechoic chamber. These methods, which differ per a priori information accounted for and consequent versatility, include time-reversal, binary-specialized contrast-source and sparsity-constrained inversions, and convolutional neural networks possibly combined with recurrent ones. Note de contenu : 1- Introduction
2- Modelling of the forward problem
3- Sparsity constrained inversion and contrast source inversion
4- Imaging by convolutional neural networks in frequency domain
5- Imaging by recurrent neural networks in time domain
6- Imaging by convolutional-recurrent neural networks
7- Direct imaging method: time reversal
8- ConclusionNuméro de notice : 28564 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du signal et des images : Université Paris-Saclay : 2020 Organisme de stage : Laboratoire des signaux et systèmes nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-03105752/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97636
Titre : Inferring the scale and content of a map using deep learning Type de document : Article/Communication Auteurs : Guillaume Touya , Auteur ; Florentin Brisebard, Auteur ; Félix Quinton , Auteur ; Azelle Courtial , Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B4 Projets : ACTIVmap / Favreau, Jean-Marie Conférence : ISPRS 2020, Commission 4, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Archives Commission 4 Importance : pp 17 - 24 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] apprentissage profond
[Termes IGN] carte numérisée
[Termes IGN] carte scolaire
[Termes IGN] carte tactile
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] échelle cartographique
[Termes IGN] formation
[Termes IGN] généralisation
[Termes IGN] géographie physique
[Termes IGN] personne non-voyanteRésumé : (auteur) Visually impaired people cannot use classical maps but can learn to use tactile relief maps. These tactile maps are crucial at school to learn geography and history as well as the other students. They are produced manually by professional transcriptors in a very long and costly process. A platform able to generate tactile maps from maps scanned from geography textbooks could be extremely useful to these transcriptors, to fasten their production. As a first step towards such a platform, this paper proposes a method to infer the scale and the content of the map from its image. We used convolutional neural networks trained with a few hundred maps from French geography textbooks, and the results show promising results to infer labels about the content of the map (e.g. "there are roads, cities and administrative boundaries"), and to infer the extent of the map (e.g. a map of France or of Europe). Numéro de notice : C2020-002 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B4-2020-17-2020 Date de publication en ligne : 24/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B4-2020-17-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95391
Titre : Intelligent Imaging and Analysis Type de document : Monographie Auteurs : DaeEun Kim, Éditeur scientifique ; Dosik Hwang, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 492 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-3-03921-921-6 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] estimation de pose
[Termes IGN] image 3D
[Termes IGN] image captée par drone
[Termes IGN] imagerie médicale
[Termes IGN] reconstruction d'image
[Termes IGN] segmentation d'image
[Termes IGN] texture d'image
[Termes IGN] vision par ordinateurRésumé : (éditeur) Imaging and analysis are widely involved in various research fields, including biomedical applications, medical imaging and diagnosis, computer vision, autonomous driving, and robot controls. Imaging and analysis are now facing big changes regarding intelligence, due to the breakthroughs of artificial intelligence techniques, including deep learning. Many difficulties in image generation, reconstruction, de-noising skills, artifact removal, segmentation, detection, and control tasks are being overcome with the help of advanced artificial intelligence approaches. This Special Issue focuses on the latest developments of learning-based intelligent imaging techniques and subsequent analyses, which include photographic imaging, medical imaging, detection, segmentation, medical diagnosis, computer vision, and vision-based robot control. These latest technological developments will be shared through this Special Issue for the various researchers who are involved with imaging itself, or are using image data and analysis for their own specific purposes. Note de contenu : 1- Special features on intelligent imaging and analysis
2- Intelligent evaluation of strabismus in videos based on an automated cover test
3- Application of a real-time visualization method of AUVs in underwater visual localization
4- Volumetric tooth wear measurement of scraper conveyor sprocket using shape from
focus-based method
5- A novel self-intersection penalty term for statistical body shape models and its applications in 3D pose estimation
6- A CNN model for human parsing based on capacity optimization
7- Fast 3D semantic mapping in road scenes †
8- Automated classification analysis of geological structures based on images data and deep learning model
9- Dark spot detection in SAR images of oil spill using segnet
10- A high-resolution texture mapping technique for 3D textured model
11- Image super-resolution algorithm based on dual-channel convolutional neural networks
12- No-reference automatic quality assessment for colorfulness-adjusted, contrast-adjusted, and sharpness-adjusted images using high-dynamic-range-derived features
13- A novel one-camera-five-mirror three-dimensional imaging method for reconstructing the cavitation bubble cluster in a water hydraulic valve
14- Deep residual network with sparse feedback for image restoration
15- An image segmentation method using an active contour model based on improved SPF
and LIF
16- Image segmentation approaches for weld pool monitoring during robotic arc welding
17- A novel discriminating and relative global spatial image representation with applications in CBIR
18- Double low-rank and sparse decomposition for surface defect segmentation of steel sheet
19- A UAV-based visual inspection method for rail surface defects
20- Feature-learning-based printed circuit board inspection via speeded-up robust features and random forest
21- Research progress of visual inspection technology of steel products
22- Fine-grain segmentation of the intervertebral discs from MR spine images using deep convolutional neural networks: BSU-Net
23- Semi-automatic segmentation of vertebral bodies in MR images of human lumbar spinesNuméro de notice : 28500 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Monographie DOI : 10.3390/books978-3-03921-921-6 En ligne : https://doi.org/10.3390/books978-3-03921-921-6 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96897 PermalinkInteractions between hierarchical learning and visual system modeling : image classification on small datasets / Thalita Firmo Drumond (2020)PermalinkPermalinkLearning and geometric approaches for automatic extraction of objects from remote sensing images / Nicolas Girard (2020)PermalinkLow-frequency desert noise intelligent suppression in seismic data based on multiscale geometric analysis convolutional neural network / Yuxing Zhao in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)PermalinkPermalinkOn the joint exploitation of optical and SAR satellite imagery for grassland monitoring / Anatol Garioud (2020)PermalinkProbabilistic pose estimation and 3D reconstruction of vehicles from stereo images / Maximilian Alexander Coenen (2020)PermalinkPermalinkRecherche multimodale d'images aériennes multi-date à l'aide d'un réseau siamois / Margarita Khokhlova (2020)Permalink