Détail de l'éditeur
ArXiv - Université Cornell
localisé à :
Ithaca
|
Documents disponibles chez cet éditeur
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesConnecting images through time and sources: Introducing low-data, heterogeneous instance retrieval / Dimitri Gominski (2021)
Titre : Connecting images through time and sources: Introducing low-data, heterogeneous instance retrieval Type de document : Article/Communication Auteurs : Dimitri Gominski Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Importance : 5 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] base de données d'images
[Termes descripteurs IGN] classification par réseau neuronal convolutif
[Termes descripteurs IGN] descripteur
[Termes descripteurs IGN] données d'apprentissage
[Termes descripteurs IGN] données hétérogènes
[Termes descripteurs IGN] exploration de données
[Termes descripteurs IGN] extraction de traits caractéristiques
[Termes descripteurs IGN] image multi sources
[Termes descripteurs IGN] indexation sémantique
[Termes descripteurs IGN] précision de la classification
[Termes descripteurs IGN] recherche d'image basée sur le contenuRésumé : (auteur) With impressive results in applications relying on feature learning, deep learning has also blurred the line between algorithm and data. Pick a training dataset, pick a backbone network for feature extraction, and voilà; this usually works fora variety of use cases. But the underlying hypothesis that there exists a training dataset matching the use case is not alwaysmet. Moreover, the demand for interconnections regardless of the variations of the content calls for increasing generalization and robustness in features. An interesting application characterized by these problematics is the connection of historical and cultural databases of images.Through the seemingly simple task of instance retrieval, wepropose to show that it is not trivial to pick features respondingwell to a panel of variations and semantic content. Introducing anew enhanced version of the ALEGORIA benchmark, we compare descriptors using the detailed annotations. We further give in sights about the core problems in instance retrieval, testing fourstate-of-the-art additional techniques to increase performance. Numéro de notice : P2021-004 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 21/03/2021 En ligne : https://arxiv.org/pdf/2103.10729.pdf Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97398
Titre : Unifying remote sensing image retrieval and classification with robust fine-tuning Type de document : Article/Communication Auteurs : Dimitri Gominski Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2021 Importance : 7 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] analyse d'image numérique
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] base de données d'images
[Termes descripteurs IGN] classification par réseau neuronal convolutif
[Termes descripteurs IGN] image aérienne à axe vertical
[Termes descripteurs IGN] image aérienne oblique
[Termes descripteurs IGN] jeu de données
[Termes descripteurs IGN] précision de la classification
[Termes descripteurs IGN] recherche d'image basée sur le contenuRésumé : (auteur) Advances in high resolution remote sensing image analysisare currently hampered by the difficulty of gathering enoughannotated data for training deep learning methods, giving riseto a variety of small datasets and associated dataset-specificmethods. Moreover, typical tasks such as classification andretrieval lack a systematic evaluation on standard benchmarksand training datasets, which make it hard to identify durableand generalizable scientific contributions. We aim at uni-fying remote sensing image retrieval and classification witha new large-scale training and testing dataset, SF3001, in-cluding both vertical and oblique aerial images and madeavailable to the research community, and an associated fine-tuning method. We additionally propose a new adversarialfine-tuning method for global descriptors. We show that ourframework systematically achieves a boost of retrievalandclassification performance on nine different datasets com-pared to an ImageNet pretrained baseline, with currently noother method to compare to. Numéro de notice : P2021-003 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans En ligne : https://arxiv.org/abs/2102.13392 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97283
Titre : A new segmentation method for the homogenisation of GNSS-derived IWV time-series Type de document : Article/Communication Auteurs : Annarosa Quarello Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2020 Importance : 25 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de géodésie spatiale
[Termes descripteurs IGN] algorithme d'homogénéisation
[Termes descripteurs IGN] analyse de variance
[Termes descripteurs IGN] changement climatique
[Termes descripteurs IGN] données GNSS
[Termes descripteurs IGN] estimateur
[Termes descripteurs IGN] inférence
[Termes descripteurs IGN] itération
[Termes descripteurs IGN] positionnement ponctuel précis
[Termes descripteurs IGN] programmation dynamique
[Termes descripteurs IGN] série temporelle
[Termes descripteurs IGN] surveillance météorologique
[Termes descripteurs IGN] teneur intégrée en vapeur d'eau
[Termes descripteurs IGN] variation saisonnièreRésumé : (auteur) Homogenization is an important and crucial step to improve the usage of observational data for climate analysis. This work is motivated by the analysis of long series of GNSS Integrated Water Vapour (IWV) data which have not yet been used in this context. This paper proposes a novel segmentation method that integrates a periodic bias and a heterogeneous, monthly varying, variance. The method consists in estimating first the variance using a robust estimator and then estimating the segmentation and periodic bias iteratively. This strategy allows for the use of the dynamic programming algorithm that remains the most efficient exact algorithm to estimate the change-point positions. The statistical performance of the method is assessed through numerical experiments. An application to a real data set of 120 global GNSS stations is presented. The method is implemented in the R package GNSSseg that will be available on the CRAN. Numéro de notice : P2020-005 Affiliation des auteurs : UMR IPGP-Géod+Ext (2020- ) Thématique : POSITIONNEMENT Nature : Preprint nature-HAL : Préprint DOI : sans En ligne : https://arxiv.org/pdf/2005.04683.pdf Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95078
Titre : A scala library for spatial sensitivity analysis Type de document : Article/Communication Auteurs : Juste Raimbault, Auteur ; Julien Perret Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2020 Importance : 5 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes descripteurs IGN] analyse de sensibilité
[Termes descripteurs IGN] bibliothèque de formes
[Termes descripteurs IGN] modèle de simulation
[Termes descripteurs IGN] modélisation spatiale
[Termes descripteurs IGN] morphologie urbaine
[Termes descripteurs IGN] simulation spatialeRésumé : (auteur) The sensitivity analysis and validation of simulation models require specific approaches in the case of spatial models. We describe the spatialdata scala library providing such tools, including synthetic generators for urban configurations at different scales, spatial networks, and spatial point processes. These can be used to parametrize geosimulation models on synthetic configurations, and evaluate the sensitivity of model outcomes to spatial configuration. The library also includes methods to perturb real data, and spatial statistics indicators, urban form indicators, and network indicators. It is embedded into the OpenMOLE platform for model exploration, fostering the application of such methods without technical constraints. Numéro de notice : P2020-009 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 21/07/2020 En ligne : https://arxiv.org/abs/2007.10667 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95609
Titre : Very high resolution land cover mapping of urban areas at global scale with convolutional neural network Type de document : Article/Communication Auteurs : Thomas Tilak Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2020 Projets : 1-Pas de projet / Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] BD Alti
[Termes descripteurs IGN] carte d'occupation du sol
[Termes descripteurs IGN] chaîne de production
[Termes descripteurs IGN] chaîne de traitement
[Termes descripteurs IGN] classification par réseau neuronal convolutif
[Termes descripteurs IGN] corrélation croisée maximale
[Termes descripteurs IGN] étiquette
[Termes descripteurs IGN] Gironde (33)
[Termes descripteurs IGN] image à très haute résolution
[Termes descripteurs IGN] image aérienne
[Termes descripteurs IGN] image multibande
[Termes descripteurs IGN] modèle numérique de surface
[Termes descripteurs IGN] segmentation sémantique
[Termes descripteurs IGN] vectorisation
[Termes descripteurs IGN] zone d'intérêt
[Termes descripteurs IGN] zone urbaineRésumé : (auteur) This paper describes a methodology to produce a 7-classes land cover map of urban areas from very high resolution images and limited noisy labeled data. The objective is to make a segmentation map of a large area (a french department) with the following classes: asphalt, bare soil, building, grassland, mineral material (permeable artificialized areas), forest and water from 20cm aerial images and Digital Height Model. We created a training dataset on a few areas of interest aggregating databases, semi-automatic classification, and manual annotation to get a complete ground truth in each class. A comparative study of different encoder-decoder architectures (U-Net, U-Net with Resnet encoders, Deeplab v3+) is presented with different loss functions. The final product is a highly valuable land cover map computed from model predictions stitched together, binarized, and refined before vectorization. Numéro de notice : P2020-006 Affiliation des auteurs : IGN+Ext (2020- ) Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans En ligne : https://arxiv.org/pdf/2005.05652.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95079 PermalinkPermalinkPermalinkPermalink
PermalinkPermalinkPermalinkPermalinkPermalinkPermalink
