Search

Your search keyword '"RESEAU NEURONES"' showing total 5 results
Start Over Descriptor "RESEAU NEURONES" Topic 02 engineering and technology
5 results on '"RESEAU NEURONES"'

1. Apprentissage multi-tâche de l'élévation et de la sémantique à partir d'images aériennes

Author

Marcela Carvalho, Pauline Trouvé-Peloux, Frédéric Champagnat, Bertrand Le Saux, Andrés Almansa, DTIS, ONERA, Université Paris Saclay (COmUE) [Palaiseau], ONERA-Université Paris Saclay (COmUE), Mathématiques Appliquées Paris 5 (MAP5 - UMR 8145), Université Paris Descartes - Paris 5 (UPD5)-Institut National des Sciences Mathématiques et de leurs Interactions (INSMI)-Centre National de la Recherche Scientifique (CNRS), DTIS, ONERA, Université Paris Saclay [Palaiseau], ONERA-Université Paris-Saclay, and Université Paris Saclay (COmUE)-ONERA

Subjects
FOS: Computer and information sciences, Computer Science - Machine Learning, RESEAU NEURONES, Computer science, Computer Vision and Pattern Recognition (cs.CV), 0211 other engineering and technologies, Computer Science - Computer Vision and Pattern Recognition, IMAGERIE HAUTE RESOLUTION, Multi-task learning, 02 engineering and technology, NEURAL NETWORKS, Semantics, Machine learning, computer.software_genre, CLASSIFICATION, Machine Learning (cs.LG), SEMANTIC SEGMENTATION, [SPI]Engineering Sciences [physics], CARTOGRAPHIE URBAINE, SINGLE VIEW DEPTH ESTIMATION, Satellite imagery, [INFO]Computer Science [cs], Electrical and Electronic Engineering, [MATH]Mathematics [math], TELEDETECTION, 021101 geological & geomatics engineering, AERIAL IMAGERY, [PHYS]Physics [physics], APPRENTISSAGE AUTOMATIQUE, Artificial neural network, business.industry, DEEP LEARNING, Deep learning, 15. Life on land, Geotechnical Engineering and Engineering Geology, Sensor fusion, Data set, MULTITASK LEARNING, Artificial intelligence, LIDAR AERIEN, business, computer
Abstract

Aerial or satellite imagery is a great source for land surface analysis, which might yield land use maps or elevation models. In this investigation, we present a neural network framework for learning semantics and local height together. We show how this joint multi-task learning benefits to each task on the large dataset of the 2018 Data Fusion Contest. Moreover, our framework also yields an uncertainty map which allows assessing the prediction of the model. Code is available at https://github.com/marcelampc/mtl_aerial_images ., Comment: Published IEEE Geoscience and Remote Sensing Letters. Code https://github.com/marcelampc/mtl_aerial_images

Published
2019

2. Apprendre à comprendre les images d'observation de la Terre avec des annotations pauvres et non fiables

Author

Adrien Chan-Hon-Tong, Rodrigo Caye Daudt, Alexandre Boulch, Bertrand Le Saux, DTIS, ONERA, Université Paris Saclay (COmUE) [Palaiseau], ONERA-Université Paris Saclay (COmUE), Laboratoire Traitement et Communication de l'Information (LTCI), Institut Mines-Télécom [Paris] (IMT)-Télécom Paris, and André, Cécile

Subjects
Earth observation, RESEAU NEURONES, Computer science, [SPI] Engineering Sciences [physics], OBSERVATION TERRE, APPRENTISSAGE FAIBLEMENT SUPERVISE, 02 engineering and technology, Land cover, [MATH] Mathematics [math], [INFO] Computer Science [cs], Machine learning, computer.software_genre, [PHYS] Physics [physics], EARTH OBSERVATION, [SPI]Engineering Sciences [physics], NOISY DATA, 020204 information systems, 0202 electrical engineering, electronic engineering, information engineering, Leverage (statistics), [INFO]Computer Science [cs], [MATH]Mathematics [math], TELEDETECTION, [PHYS]Physics [physics], Ground truth, APPRENTISSAGE AUTOMATIQUE, Land use, business.industry, WEAKLY SUPERVISED LEARNING, Supervised learning, 15. Life on land, DETECTION CHANGEMENT, CHANGE DETECTION, 020201 artificial intelligence & image processing, Artificial intelligence, business, Classifier (UML), computer, DATA POISONING, APPRENTISSAGE ADVERSAIRE
Abstract

International audience; In this paper we discuss the issues of using inexact and inaccurate ground truth in the context of supervised learning. To leverage large amounts of Earth observation data for training algorithms, one often has to use ground truth which was not been carefully assessed. We address both the problems of training and evaluation. We first propose a weakly supervised approach for training change classifiers which is able to detect pixel-level changes in aerial images. We then propose a data poisoning approach to get a reliable estimate of the accuracy that can be expected from a classifier, even when the only ground-truth available does not match the reality. Both are assessed on practical land use and land cover applications.

Published
2019

3. What Data are needed for Semantic Segmentation in Earth Observation?

Author

Sébastien Lefèvre, Alexandre Boulch, B. Le Saux, Javiera Castillo-Navarro, Nicolas Audebert, Environment observation with complex imagery (OBELIX), Université de Bretagne Sud (UBS)-SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE (IRISA-D5), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Université de Bretagne Sud (UBS)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-CentraleSupélec-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Université de Rennes (UNIV-RENNES)-CentraleSupélec-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-CentraleSupélec, DTIS, ONERA, Université Paris Saclay [Palaiseau], ONERA-Université Paris-Saclay, Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS), DTIS, ONERA, Université Paris Saclay (COmUE) [Palaiseau], ONERA-Université Paris Saclay (COmUE), SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE (IRISA-D5), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), and Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)

Subjects
Earth observation, 010504 meteorology & atmospheric sciences, RESEAU NEURONES, Computer science, LAND USE/LAND COVER MAPPING, 02 engineering and technology, Machine learning, computer.software_genre, 01 natural sciences, SEMANTIC SEGMENTATION, SUPERVISED LEARNING, Robustness (computer science), 0202 electrical engineering, electronic engineering, information engineering, Segmentation, TELEDETECTION, 0105 earth and related environmental sciences, APPRENTISSAGE AUTOMATIQUE, business.industry, DEEP LEARNING, Deep learning, Supervised learning, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Deep neural networks, 020201 artificial intelligence & image processing, Artificial intelligence, business, computer
Abstract

International audience; This paper explores different aspects of semantic segmentation of remote sensing data using deep neural networks. Learning with deep neural networks was revolutionized by the creation of ImageNet. Remote sensing benefited of these new techniques, however Earth Observation (EO) datasets remain small in comparison. In this work, we investigate how we can progress towards the ImageNet of remote sensing. In particular, two questions are addressed in this paper. First, how robust are existing supervised learning strategies with respect to data volume? Second, which properties are expected from a large-scale EO dataset? The main contributions of this work are: (i) a strong robustness analysis of existing supervised learning strategies with respect to remote sensing data, (ii) the introduction of a new, large-scale dataset named MiniFrance.

Published
2019

4. SnapNet: segmentation sémantique de nuages de points 3D avec des réseaux de neurones 2D

Author

Nicolas Audebert, Alexandre Boulch, Bertrand Le Saux, Joris Guerry, DTIS, ONERA, Université Paris Saclay [Palaiseau], ONERA-Université Paris-Saclay, DTIS, ONERA, Université Paris Saclay (COmUE) [Palaiseau], and ONERA-Université Paris Saclay (COmUE)

Subjects
RESEAU NEURONES, Computer science, 0211 other engineering and technologies, Point cloud, 02 engineering and technology, Convolutional neural network, Image (mathematics), APPRENTISSAGE, [SPI]Engineering Sciences [physics], 0202 electrical engineering, electronic engineering, information engineering, Segmentation, Point (geometry), [INFO]Computer Science [cs], [MATH]Mathematics [math], 021101 geological & geomatics engineering, [PHYS]Physics [physics], APPRENTISSAGE AUTOMATIQUE, business.industry, DEEP LEARNING, General Engineering, Pattern recognition, Computer Graphics and Computer-Aided Design, Human-Computer Interaction, Lidar, Photogrammetry, VISION, RGB color model, 020201 artificial intelligence & image processing, VISION ORDINATEUR, Artificial intelligence, business
Abstract

International audience; In this work, we describe a new, general, and efficient method for unstructured point cloud labeling. As the question of efficiently using deep Convolutional Neural Networks (CNNs) on 3D data is still a pending issue, we propose a framework which applies CNNs on multiple 2D image views (or snapshots) of the point cloud. The approach consists in three core ideas. (i) We pick many suitable snapshots of the point cloud. We generate two types of images: a Red-Green-Blue (RGB) view and a depth composite view containing geometric features. (ii) We then perform a pixel-wise labeling of each pair of 2D snapshots using fully convolutional networks. Different architec-tures are tested to achieve a profitable fusion of our heterogeneous inputs. (iii) Finally, we perform fast back-projection of the label predictions in the 3D space using efficient buffering to label every 3D point. Experiments show that our method is suitable for various types of point clouds such as Lidar or photogrammetric data.; Dans ce travail, nous décrivons une nouvelle méthode générale et efficace pour l'étiquetage de nuages ​​de points non structurés. Comme la question de l'utilisation efficace des réseaux de neurones convolutionnels profonds (CNN) sur des données 3D est toujours en suspens, nous proposons un cadre qui applique les CNN sur plusieurs vues d'image 2D (ou instantanés) du nuage de points. L'approche consiste en trois idées de base. (i) Nous prenons de nombreux clichés appropriés du nuage de points. Nous générons deux types d'images: une vue rouge-vert-bleu (RVB) et une vue composite en profondeur contenant des caractéristiques géométriques. (ii) Nous effectuons ensuite un étiquetage pixel par pixel de chaque paire d'instantanés 2D en utilisant des réseaux entièrement convolutifs. Différentes architectures sont testées pour obtenir une fusion rentable de nos entrées hétérogènes. (iii) Enfin, nous effectuons une rétro-projection rapide des prédictions d'étiquettes dans l'espace 3D en utilisant une mise en mémoire tampon efficace pour étiqueter chaque point 3D. Les expériences montrent que notre méthode convient à différents types de nuages ​​de points tels que les données lidar ou photogrammétriques.

Published
2017

5. Segment-before-Detect: Vehicle Detection and Classification through Semantic Segmentation of Aerial Images

Author

Bertrand Le Saux, Nicolas Audebert, Sébastien Lefèvre, ONERA - The French Aerospace Lab [Palaiseau], ONERA-Université Paris Saclay (COmUE), Environment observation with complex imagery (OBELIX), Université de Bretagne Sud (UBS)-SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE (IRISA-D5), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), CentraleSupélec-Télécom Bretagne-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Rennes (ENS Rennes)-Université de Bretagne Sud (UBS)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-CentraleSupélec-Télécom Bretagne-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), ONERA, Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Université de Bretagne Sud (UBS)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-CentraleSupélec-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Université de Rennes (UNIV-RENNES)-CentraleSupélec-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-Université de Rennes 1 (UR1), and Université de Rennes (UNIV-RENNES)-CentraleSupélec

Subjects
DÉTECTION VÉHICULES, 010504 meteorology & atmospheric sciences, RESEAU NEURONES, Computer science, 0211 other engineering and technologies, deep learning, vehicle detection, semantic segmentation, object classification, 02 engineering and technology, Land cover, 01 natural sciences, Convolutional neural network, CARTOGRAPHIE URBAINE, Segmentation, Computer vision, [INFO.INFO-HC]Computer Science [cs]/Human-Computer Interaction [cs.HC], 021101 geological & geomatics engineering, 0105 earth and related environmental sciences, Connected component, CLASSIFICATION D'OBJETS, Artificial neural network, Pixel, business.industry, Deep learning, deep learning, Object detection, semantic segmentation, Semantic mapping, General Earth and Planetary Sciences, vehicle detection, object classification, Artificial intelligence, business
Abstract

International audience; Like computer vision before, remote sensing has been radically changed by the introduction of deep learning and, more notably, Convolution Neural Networks. Land cover classification, object detection and scene understanding in aerial images rely more and more on deep networks to achieve new state-of-the-art results. Recent architectures such as Fully Convolutional Networks can even produce pixel level annotations for semantic mapping. In this work, we present a deep-learning based segment-before-detect method for segmentation and subsequent detection and classification of several varieties of wheeled vehicles in high resolution remote sensing images. This allows us to investigate object detection and classification on a complex dataset made up of visually similar classes, and to demonstrate the relevance of such a subclass modeling approach. Especially, we want to show that deep learning is also suitable for object-oriented analysis of Earth Observation data as effective object detection can be obtained as a byproduct of accurate semantic segmentation. First, we train a deep fully convolutional network on the ISPRS Potsdam and the NZAM/ONERA Christchurch datasets and show how the learnt semantic maps can be used to extract precise segmentation of vehicles. Then, we show that those maps are accurate enough to perform vehicle detection by simple connected component extraction. This allows us to study the repartition of vehicles in the city. Finally, we train a Convolutional Neural Network to perform vehicle classification on the VEDAI dataset, and transfer its knowledge to classify the individual vehicle instances that we detected.

Published
2017

Catalog

Books, media, physical & digital resources
See catalog results