Centre dedocumentation
scientifique

Connecting images through time and sources: Introducing low-data, heterogeneous instance retrieval / Dimitri Gominski (2021)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Connecting images through time and sources: Introducing low-data, heterogeneous instance retrieval Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur 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 IGN] apprentissage profond [Termes IGN] base de données d'images [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] descripteur [Termes IGN] données d'apprentissage [Termes IGN] données hétérogènes [Termes IGN] exploration de données [Termes IGN] extraction de traits caractéristiques [Termes IGN] image multi sources [Termes IGN] indexation sémantique [Termes IGN] précision de la classification [Termes IGN] recherche d'image basée sur le contenu Résumé : (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 : P2021-001 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

Representing shape collections with alignment-aware linear models / Romain Loiseau (2021)  

Public Titre : Representing shape collections with alignment-aware linear models Type de document : Article/Communication Auteurs : Romain Loiseau, Auteur ; Tom Monnier, Auteur ; Loïc Landrieu , Auteur ; Mathieu Aubry, Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2021 Projets : READY3D / Landrieu, Loïc Importance : 17 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] analyse de données [Termes IGN] apprentissage profond [Termes IGN] données localisées 3D [Termes IGN] modèle linéaire [Termes IGN] réseau neuronal profond [Termes IGN] segmentation [Termes IGN] semis de points [Termes IGN] transformation affine Résumé : (auteur) In this paper, we revisit the classical representation of 3D point clouds as linear shape models. Our key insight is to leverage deep learning to represent a collection of shapes as affine transformations of low-dimensional linear shape models. Each linear model is characterized by a shape prototype, a low-dimensional shape basis and two neural networks. The networks take as input a point cloud and predict the coordinates of a shape in the linear basis and the affine transformation which best approximate the input. Both linear models and neural networks are learned end-to-end using a single reconstruction loss. The main advantage of our approach is that, in contrast to many recent deep approaches which learn feature-based complex shape representations, our model is explicit and every operation occurs in 3D space. As a result, our linear shape models can be easily visualized and annotated, and failure cases can be visually understood. While our main goal is to introduce a compact and interpretable representation of shape collections, we show it leads to state of the art results for few-shot segmentation. Code and data are available at: https://romainloiseau.github.io/deep-linear-shapes Numéro de notice : P2021-005 Affiliation des auteurs : UGE-LaSTIG+Ext (2020- ) Thématique : INFORMATIQUE Nature : Preprint nature-HAL : Préprint DOI : sans Date de publication en ligne : 03/09/2021 En ligne : https://arxiv.org/abs/2109.01605 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98385

Unifying remote sensing image retrieval and classification with robust fine-tuning / Dimitri Gominski (2021)  

Public Titre : Unifying remote sensing image retrieval and classification with robust fine-tuning Type de document : Article/Communication Auteurs : Dimitri Gominski , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur 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 IGN] analyse d'image numérique [Termes IGN] apprentissage profond [Termes IGN] base de données d'images [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] image aérienne à axe vertical [Termes IGN] image aérienne oblique [Termes IGN] jeu de données [Termes IGN] précision de la classification [Termes IGN] recherche d'image basée sur le contenu Résumé : (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

A new segmentation method for the homogenisation of GNSS-derived IWV time-series / Annarosa Quarello (2020)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : A new segmentation method for the homogenisation of GNSS-derived IWV time-series Type de document : Article/Communication Auteurs : Annarosa Quarello , Auteur ; Olivier Bock , Auteur ; Emilie Lebarbier, Auteur 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 IGN] algorithme d'homogénéisation [Termes IGN] analyse de variance [Termes IGN] changement climatique [Termes IGN] données GNSS [Termes IGN] estimateur [Termes IGN] inférence [Termes IGN] itération [Termes IGN] positionnement ponctuel précis [Termes IGN] programmation dynamique [Termes IGN] série temporelle [Termes IGN] surveillance météorologique [Termes IGN] teneur intégrée en vapeur d'eau [Termes IGN] variation saisonnière Résumé : (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

A scala library for spatial sensitivity analysis / Juste Raimbault (2020)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : A scala library for spatial sensitivity analysis Type de document : Article/Communication Auteurs : Juste Raimbault, Auteur ; Julien Perret , Auteur ; Romain Reuillon, Auteur 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 IGN] analyse de sensibilité [Termes IGN] bibliothèque de formes [Termes IGN] modèle de simulation [Termes IGN] modélisation spatiale [Termes IGN] morphologie urbaine [Termes IGN] simulation spatiale Résumé : (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

Very high resolution land cover mapping of urban areas at global scale with convolutional neural network / Thomas Tilak (2020)  

Permalink

Challenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)  

Permalink

How IGN (France) computed the so-called "centre of gravity" of physical Europe in 1989 and 2004 / Jean-François Hangouët (2019)  

Permalink

Parallel cut pursuit for minimization of the graph total variation / Hugo Raguet (2019)  

Permalink

Supervized segmentation with graph-structured deep metric learning / Loïc Landrieu (2019)  

Permalink

Cyclic asymptotic behaviour of a population reproducing by fission into two equal parts / Etienne Bernard (2017)    

Permalink

Convex programming approach to robust estimation of a multivariate Gaussian model / Samuel Balmand (2016)    

Permalink

Confounds and Consequences in Geotagged Twitter Data / Umashanthi Pavalanathan (7/06/2015)    

Permalink

A fast summation method for translation invariant kernels / Fabien Casenave (2015)    

Permalink

Segmentation of multiple series using a Lasso strategy / Karine Bertin (25/06/2014)    

Permalink