Centre dedocumentation
scientifique

Superpixel-enhanced deep neural forest for remote sensing image semantic segmentation / Li Mi in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 159 (January 2020) . - pp 140 - 152 Titre : Superpixel-enhanced deep neural forest for remote sensing image semantic segmentation Type de document : Article/Communication Auteurs : Li Mi, Auteur ; Zhenzhong Chen, Auteur Année de publication : 2020 Article en page(s) : pp 140 - 152 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] image à très haute résolution [Termes descripteurs IGN] processus stochastique [Termes descripteurs IGN] réseau de neurones profond [Termes descripteurs IGN] segmentation sémantique [Termes descripteurs IGN] SLIC algorithm [Termes descripteurs IGN] superpixel Résumé : (Auteur) Semantic segmentation plays an important role in remote sensing image understanding. Great progress has been made in this area with the development of Deep Convolutional Neural Networks (DCNNs). However, due to the complexity of ground objects’ spectrum, DCNNs with simple classifier have difficulties in distinguishing ground object categories even though they can represent image features effectively. Additionally, DCNN-based semantic segmentation methods learn to accumulate contextual information over large receptive fields that causes blur on object boundaries. In this work, a novel approach named Superpixel-enhanced Deep Neural Forest (SDNF) is proposed to target the aforementioned problems. To improve the classification ability, we introduce Deep Neural Forest (DNF), where the representation learning of deep neural network is conducted by a completely differentiable decision forest. Therefore, better classification accuracy is achieved by combining DCNNs with decision forests in an end-to-end manner. In addition, considering the homogeneity within superpixels and heterogeneity between superpixels, a Superpixel-enhanced Region Module (SRM) is proposed to further alleviate the noises and strengthen edges of ground objects. Experimental results on the ISPRS 2D semantic labeling benchmark demonstrate that our model significantly outperforms state-of-the-art methods thus validate the efficiency of our proposed SDNF. Numéro de notice : A2020-014 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.11.006 date de publication en ligne : 29/11/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.11.006 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94403 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020011	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020013	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020012	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Addressing overfitting on point cloud classification using Atrous XCRF / Hasan Asy’ari Arief in ISPRS Journal of photogrammetry and remote sensing, vol 155 (September 2019)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 155 (September 2019) . - pp 90 - 101 Titre : Addressing overfitting on point cloud classification using Atrous XCRF Type de document : Article/Communication Auteurs : Hasan Asy’ari Arief, Auteur ; Ulf Geir Indahl, Auteur ; Geir-Harald Strand, Auteur ; Håvard Tveite, Auteur Année de publication : 2019 Article en page(s) : pp 90 - 101 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification automatique [Termes descripteurs IGN] réseau de neurones profond [Termes descripteurs IGN] réseau neuronal convolutif [Termes descripteurs IGN] semis de points Résumé : (Auteur) Advances in techniques for automated classification of point cloud data introduce great opportunities for many new and existing applications. However, with a limited number of labelled points, automated classification by a machine learning model is prone to overfitting and poor generalization. The present paper addresses this problem by inducing controlled noise (on a trained model) generated by invoking conditional random field similarity penalties using nearby features. The method is called Atrous XCRF and works by forcing a trained model to respect the similarity penalties provided by unlabeled data. In a benchmark study carried out using the ISPRS 3D labeling dataset, our technique achieves 85.0% in term of overall accuracy, and 71.1% in term of F1 score. The result is on par with the current best model for the benchmark dataset and has the highest value in term of F1 score. Additionally, transfer learning using the Bergen 2018 dataset, without model retraining, was also performed. Even though our proposal provides a consistent 3% improvement in term of accuracy, more work still needs to be done to alleviate the generalization problem on the domain adaptation and the transfer learning field. Numéro de notice : A2019-312 Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.isprsjprs.2019.07.002 date de publication en ligne : 11/07/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.07.002 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93337 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2019091	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2019093	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2019092	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Application des algorithmes de Deep learning pour les images SAR / Luc Baudoux (2019) 

Public Titre : Application des algorithmes de Deep learning pour les images SAR Type de document : Mémoire Auteurs : Luc Baudoux, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2019 Importance : 73 p. Format : 21 x 30 cm Note générale : bibliographie Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] chatoiement [Termes descripteurs IGN] filtrage du bruit [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] réseau de neurones profond Index. décimale : IGAST Mémoires de Master Information Géographique, Analyse Spatiale et Télédétection Résumé : (auteur) Les images radar sont parasitées par un phénomène physique appelé speckle leur conférant un fort effet « poivre et sel ». L’essor des techniques d’apprentissage profond ces dernières années a permis la conception de plusieurs techniques de débruitage. Celles-ci se différencient des méthodes traditionnelles par la capacité d’apprendre le modèle de débruitage implicitement depuis les données radar sans avoir recours à un modèle explicite défini par le concepteur. Le présent rapport de stage porte sur l’étude comparative des principales méthodes proposées à ce jour tant entre elles qu’avec des techniques de débruitage traditionnelles. L’objectif est ici de réaliser l’étude la plus objective possible sur les forces et faiblesses de ces méthodes. Il s’agit également d’étudier l’influence des différents paramètres et de proposer de nouveaux réseaux de neurones afin d’améliorer les résultats actuellement disponibles. Nous montrons dans ce rapport que des réseaux de neurones simples réalisent un bon compromis entre lissage des zones homogènes et préservations des détails. De surcroit, nous montrons que les forces et faiblesses des réseaux de neurones dépendent fortement du type d’apprentissage réalisé. Ainsi, les réseaux, traditionnellement entraînés de manière supervisée sur des simulations de speckle, tendent à mal se transposer au speckle réel. Les réseaux entraînés uniquement sur du speckle réel offrent, quant à eux, de meilleurs résultats. Il faut néanmoins faire attention à la capacité de généralisation, car ces réseaux souffrent d’une légère baisse de qualité de leurs résultats sur des zones dont les textures ou radiométries n’étaient pas présentes dans le jeu d’entraînement. La comparaison avec les méthodes traditionnelles révèle une meilleure préservation des détails au détriment d’un moins fort lissage des zones homogènes. Il convient donc de choisir entre ces méthodes en fonction de l’usage souhaité par la suite pour le traitement de la donnée radar. Note de contenu : 1- Contextualisation 2- Méthodologie 3- Résultats Numéro de notice : 25430 Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Note de thèse : Mémoire de master : Information Géographique, Analyse Spatiale et Télédétection : Paris-Est Marne la Vallée : 2019 Organisme de stage : Centre national d’études spatiales Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93899

Documents numériques

peut être téléchargé Application des algorithmes Adobe Acrobat PDF