Catalogue en ligne IGN

Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds / Stéphane Guinard (2017)

Public

contenu dans ISPRS Hannover Workshop: HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 / International society for photogrammetry and remote sensing (2017)

Titre :	Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds
Type de document :	Article/Communication
Auteurs :	Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur
Congrès :	ISPRS 2017 Workshops HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 (6 - 9 juin 2017; Hanovre, Allemagne), Commanditaire
Editeur :	International Society for Photogrammetry and Remote Sensing ISPRS
Année de publication :	2017
Collection :	International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. XLII-1-W1
Importance :	7 p.
Note générale :	bibliographie
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points
Résumé :	(auteur) We consider the problem of the semantic classification of 3D LiDAR point clouds obtained from urban scenes when the training set is limited. We propose a non-parametric segmentation model for urban scenes composed of anthropic objects of simple shapes, partionning the scene into geometrically-homogeneous segments which size is determined by the local complexity. This segmentation can be integrated into a conditional random field classifier (CRF) in order to capture the high-level structure of the scene. For each cluster, this allows us to aggregate the noisy predictions of a weakly-supervised classifier to produce a higher confidence data term. We demonstrate the improvement provided by our method over two publicly-available large-scale data sets.
Numéro de notice :	C2017-034
Affiliation des auteurs :	IGN (2012-2019)
Thématique :	IMAGERIE
Nature :	Communication
nature-HAL :	ComAvecCL&ActesPubliésIntl
DOI :	10.5194/isprs-archives-XLII-1-W1-151-2017
date de publication en ligne :	31/05/2017
En ligne :	https://doi.org/10.5194/isprs-archives-XLII-1-W1-151-2017
Format de la ressource électronique :	URL article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=89327

Voir aussi

Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR / Stéphane Guinard (2017)

Public

Titre :	Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR
Titre original :	Weakly supervised segmentation-aided classification of urban scenes from 3D LIDAR point clouds
Type de document :	Article/Communication
Auteurs :	Stéphane Guinard , Auteur ; Loïc Landrieu , Auteur ; Bruno Vallet , Auteur
Editeur :	Saint-Mandé : Institut national de l'information géographique et forestière - IGN
Année de publication :	2017
Conférence :	ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur 12/06/2017 16/06/2017 Colleville-sur-Mer France open access proceedings
Langues :	Français (fre)
Descripteur :	[Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] champ aléatoire conditionnel [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] scène urbaine [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points
Résumé :	(auteur) Nous traitons le problème de la classification sémantique de nuages de points 3D LIDAR pour les scènes urbaines à partir d'un jeu d'apprentissage limité. Nous introduisons un modèle de segmentation non paramétrique pour les scènes urbaines formées par des objets anthropiques de formes simples. Notre modèle segmente la scène en régions géométriquement homogènes dont la taille est automatiquement déterminée par la complexité de la géométrie locale. Cette segmentation peut ensuite être intégrée dans un CRF (Conditional Random Field) afin de modéliser la structure globale de la scène. Cela nous permet d'agréger, pour chaque groupe de points, les prédictions bruitées d'une classification faiblement supervisée. Nous démontrons l'efficacité de notre méthode sur deux jeux de données en accès libre.
Numéro de notice :	C2017-033
Affiliation des auteurs :	LaSTIG MATIS (2012-2019)
Autre URL associée :	vers HAL
Thématique :	IMAGERIE
Nature :	Communication
nature-HAL :	ComAvecCL&ActesPubliésNat
DOI :	sans
En ligne :	https://orasis2017.sciencesconf.org/139242/document
Format de la ressource électronique :	URL article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=89297

Voir aussi

IGN

Centre dedocumentation
scientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu-47

Agenda

Informations pratiques

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 IGN

IGN

Centre dedocumentationscientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu-47

Agenda

Informations pratiques

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 IGN

Centre dedocumentation
scientifique