Centre dedocumentation
scientifique

Learning indoor point cloud semantic segmentation from image-level labels / Youcheng Song in The Visual Computer, vol 38 n° 9 (September 2022)  

Public [article]  inThe Visual Computer > vol 38 n° 9 (September 2022) . - pp 3253 - 3265 Titre : Learning indoor point cloud semantic segmentation from image-level labels Type de document : Article/Communication Auteurs : Youcheng Song, Auteur ; Zhengxing Sun, Auteur ; Qian Li, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 3253 - 3265 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Photogrammétrie numérique [Termes IGN] apprentissage dirigé [Termes IGN] données d'entrainement sans étiquette [Termes IGN] image RVB [Termes IGN] scène intérieure [Termes IGN] segmentation d'image [Termes IGN] segmentation sémantique [Termes IGN] semis de points Résumé : (auteur) The data-hungry nature of deep learning and the high cost of annotating point-level labels make it difficult to apply semantic segmentation methods to indoor point cloud scenes. Therefore, exploring how to make point cloud segmentation methods less rely on point-level labels is a promising research topic. In this paper, we introduce a weakly supervised framework for semantic segmentation on indoor point clouds. To reduce the labor cost in data annotation, we use image-level weak labels that only indicate the classes that appeared in the rendered images of point clouds. The experiments validate the effectiveness and scalability of our framework. Our segmentation results on both ScanNet and S3DIS datasets outperform the state-of-the-art method using a similar level of weak supervision. Numéro de notice : A2022-793 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.1007/s00371-022-02569-0 Date de publication en ligne : 02/07/2022 En ligne : https://doi.org/10.1007/s00371-022-02569-0 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101917 [article]

Invariant structure representation for remote sensing object detection based on graph modeling / Zicong Zhu in IEEE Transactions on geoscience and remote sensing, vol 60 n° 6 (June 2022)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 60 n° 6 (June 2022) . - n° 5625217 Titre : Invariant structure representation for remote sensing object detection based on graph modeling Type de document : Article/Communication Auteurs : Zicong Zhu, Auteur ; Xian Sun, Auteur ; Wenhui Diao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 5625217 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] détection d'objet [Termes IGN] données d'entrainement sans étiquette [Termes IGN] extraction de traits caractéristiques [Termes IGN] filtrage numérique d'image [Termes IGN] granularité d'image [Termes IGN] graphe [Termes IGN] invariant Résumé : (auteur) Due to the characteristics of vertical orthophoto imaging, the apparent structural features of the object in the remote sensing (RS) image are relatively stable, such as the cross-shaped structure of the aircraft and the rectangular structure of the vehicle. Compared with the traditional visual features, using these features is conducive to improving the accuracy of object detection. However, there are few studies on such characteristics. In this article, we systematically study the invariant structural features of remote sensing objects and propose a graph focusing aggregation network (GFA-Net) to represent the structural features of remote sensing objects. Among them, in view of the problem that traditional convolutional neural networks (CNNs) are sensitive to the changes in rotation, scale, and other factors, which makes it difficult to extract structural features, we propose the graph focusing process (GFP) based on the idea of graph convolution. Analysis and experiments show that graph structure has significant advantages over Euclidean feature space under CNN in expressing such structural features. In order to realize the end-to-end efficient training of the above model, we design a graph aggregation network (GAN) to update the weight of nodes. We verify the effectiveness of our method on the proposed multitask datasets aircraft component segmentation dataset (ACSD) and the large-scale Fine-grAined object recognItion in high-Resolution RS imagery (FAIR1M). Experiments conducted on the object detection datasets of large-scale Dataset for Object deTection in Aerial images (DOTA) and HRSC2016 prove that the proposed method is superior to the current state-of-the-art (SOTA) method. Numéro de notice : A2022-560 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2022.3181686 Date de publication en ligne : 09/06/2022 En ligne : https://doi.org/10.1109/TGRS.2022.3181686 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101186 [article]

Enriching the metadata of map images: a deep learning approach with GIS-based data augmentation / Yingjie Hu in International journal of geographical information science IJGIS, vol 36 n° 4 (April 2022)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 36 n° 4 (April 2022) . - pp 799 - 821 Titre : Enriching the metadata of map images: a deep learning approach with GIS-based data augmentation Type de document : Article/Communication Auteurs : Yingjie Hu, Auteur ; Zhipeng Gui, Auteur ; Jimin Wang, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 799 - 821 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] apprentissage profond [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] descripteur [Termes IGN] données d'entrainement sans étiquette [Termes IGN] image cartographique [Termes IGN] métadonnées [Termes IGN] projection [Termes IGN] système d'information géographique [Termes IGN] Web Map Service [Termes IGN] web mapping Résumé : (auteur) Maps in the form of digital images are widely available in geoportals, Web pages, and other data sources. The metadata of map images, such as spatial extents and place names, are critical for their indexing and searching. However, many map images have either mismatched metadata or no metadata at all. Recent developments in deep learning offer new possibilities for enriching the metadata of map images via image-based information extraction. One major challenge of using deep learning models is that they often require large amounts of training data that have to be manually labeled. To address this challenge, this paper presents a deep learning approach with GIS-based data augmentation that can automatically generate labeled training map images from shapefiles using GIS operations. We utilize such an approach to enrich the metadata of map images by adding spatial extents and place names extracted from map images. We evaluate this GIS-based data augmentation approach by using it to train multiple deep learning models and testing them on two different datasets: a Web Map Service image dataset at the continental scale and an online map image dataset at the state scale. We then discuss the advantages and limitations of the proposed approach. Numéro de notice : A2022-258 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : https://doi.org/10.1080/13658816.2021.1968407 En ligne : https://doi.org/10.1080/13658816.2021.1968407 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100231 [article]

Global and climate challenges, graph-based data analysis for multisource information extraction / Morgane Batelier (2022) 

Public Titre : Global and climate challenges, graph-based data analysis for multisource information extraction Type de document : Mémoire Auteurs : Morgane Batelier, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 43 p. Format : 21 x 30 cm Note générale : Bibliographie Mémoire de fin d'études, cycle des ingénieurs ENSG 3ème année, FRS Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] apprentissage automatique [Termes IGN] Arctique, océan [Termes IGN] données d'entrainement sans étiquette [Termes IGN] glace de mer [Termes IGN] image hyperspectrale [Termes IGN] image Sentinel-SAR [Termes IGN] polarimétrie radar [Termes IGN] traitement d'image radar Index. décimale : MPT Mémoires de fin d'études du Master Méthodes physiques en télédétection Résumé : (Auteur) During my end-of-studies internship, I worked on the development of a label propagation algorithm for remote sensing data, using Deep Learning. It was mainly applied to sea ice classification using SAR Sentinel-1 data, and to hyperspectral imaging in order to be effective to multimodal remote sensing. I started by the bibliography, during which we decided with my supervisors the method I was going to work from. Then, I worked on the algorithm implementation that was the longest phase. Finally, the last part of my work was the certification and improvement of the results using different process. Note de contenu : Introduction 1. Remote Sensing in the Arctic 1.1 Challenges of the Arctic 1.2 Sea Ice 2. Label Propagation for Deep Learning 2.1 Preliminaries 2.2 Transductive Propagation Network for Few-shot Learning 3. Multimodal Remote Sensing Data 3.1 Synthetic Aperture Radar 3.2 Hyperspectral Imaging 4. Experimental results 4.1 Datasets 4.2 Improvement Methods 4.3 Discussion and future of the algorithm Conclusion Numéro de notice : 26935 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Center for Integrated Remote Sensing and Forecasting for Arctic Operations CIRFA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102059

Documents numériques

en open access Global and climate challenges, graph-based data analysis for multisource information extraction - pdf auteur Adobe Acrobat PDF

Introduction au Machine Learning / Chloé-Agathe Azencott (2022)

Public Titre : Introduction au Machine Learning Type de document : Guide/Manuel Auteurs : Chloé-Agathe Azencott, Auteur Mention d'édition : 2ème édition Editeur : Paris : Dunod Année de publication : 2022 Collection : Info Sup Importance : 256 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-2-10-083476-1 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] analyse discriminante [Termes IGN] apprentissage automatique [Termes IGN] apprentissage dirigé [Termes IGN] apprentissage non-dirigé [Termes IGN] apprentissage par renforcement [Termes IGN] arbre de décision [Termes IGN] classification bayesienne [Termes IGN] données d'entrainement sans étiquette [Termes IGN] données étiquetées d'entrainement [Termes IGN] méthode du maximum de vraisemblance (estimation) [Termes IGN] modèle de régression [Termes IGN] partition des données [Termes IGN] plus proche voisin, algorithme du [Termes IGN] réseau neuronal artificiel [Termes IGN] séparateur à vaste marge Index. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) Cet ouvrage s'adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d'ingénieurs. Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en oeuvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés. Note de contenu : 1. Présentation du machine learning 2. Apprentissage supervisé 3. Sélection de modèle et évaluation 4. Inférence bayésienne 5. Régressions paramétriques 6. Régularisation 7. Réseaux de neurones artificiels 8. Méthodes des plus proches voisins 9. Arbres et forêts 10. Machines à vecteurs de support et méthodes à noyaux 11. Réduction de dimension 12. Clustering Annexe A - Notions d'optimisation convexe Annexe B - Notions d'estimation ponctuelle Numéro de notice : 26783 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99909

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
26783-01	26.40	Manuel Informatique	Centre de documentation	Informatique	Disponible

Constrained shortest path problems in bi-colored graphs: a label-setting approach / Amin AliAbdi in Geoinformatica, vol 25 n° 3 (July 2021)  

Permalink

Multispectral object detection / Heng Zhang (2021)  

Permalink

Conférence d'apprentissage 99, actes de CAP'99, Ecole Polytechnique, Palaiseau, 15-18 juin 1999 / Michèle Sebag (1999)

Permalink