Horizon / Plein textes La base de ressources documentaires de l'IRD

IRD

 

Publications des scientifiques de l'IRD

Commandre B., En-Nejjary D., Pibre L., Chaumont M., Delenne C., Chahinian Nanée. (2017). Manhole cover localization in aerial images with a deep learning approach. In : ISPRS Hannover workshop. Hanovre : ISPRS, (42/W1), 333-338. (International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences ; 42/W1). ISPRS Hannover Worshop, Hanovre (DEU), 2017/06/06-09.

Fichier PDF disponiblehttp://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers17-07/010070127.pdf[ PDF Link ]

Lien direct chez l'éditeur doi:10.5194/isprs-archives-XLII-1-W1-333-2017

En Libre Accès sur HAL https://hal.archives-ouvertes.fr/hal-01556762

Titre
Manhole cover localization in aerial images with a deep learning approach
Année de publication2017
Type de documentColloque
AuteursCommandre B., En-Nejjary D., Pibre L., Chaumont M., Delenne C., Chahinian Nanée.
In ISPRS Hannover workshop
SourceHanovre : ISPRS, 2017, p. 333-338. (International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences ; 42/W1).
ColloqueISPRS Hannover Worshop, Hanovre (DEU), 2017/06/06-09
RésuméUrban growth is an ongoing trend and one of its direct consequences is the development of buried utility networks. Locating these networks is becoming a challenging task. While the labeling of large objects in aerial images is extensively studied in Geosciences, the localization of small objects (smaller than a building) is in counter part less studied and very challenging due to the variance of object colors, cluttered neighborhood, non-uniform background, shadows and aspect ratios. In this paper, we put forward a method for the automatic detection and localization of manhole covers in Very High Resolution (VHR) aerial and remotely sensed images using a Convolutional Neural Network (CNN). Compared to other detection/localization methods for small objects, the proposed approach is more comprehensive as the entire image is processed without prior segmentation. The first experiments using the Prades-Le-Lez and Gigean datasets show that our method is indeed effective as more than 49% of the ground truth database is detected with a precision of 75 %. New improvement possibilities are being explored such as using information on the shape of the detected objects and increasing the types of objects to be detected, thus enabling the extraction of more object specific features.
Plan de classementFoncier urbain [102URBHA3]
DescripteursURBANISATION ; OCCUPATION SPATIALE ; TRAITEMENT D'IMAGE ; PHOTOGRAPHIE AERIENNE ; RESOLUTION SPATIALE
Descr. géo.FRANCE
LocalisationFonds IRD [F B010070127]
Identifiant IRDfdi:010070127
Lien permanenthttp://www.documentation.ird.fr/hor/fdi:010070127

Export des données

Disponibilité des documents

Télechargment fichier PDF téléchargeable

Lien sur le Web lien chez l'éditeur

Accès réservé en accès réservé

HAL en libre accès sur HAL


* PDF Link :

    à télécharger pour citer/partager ce document sur les réseaux sociaux académiques


Accès aux documents originaux :

Le FDI est labellisé CollEx

Accès direct

Bureau du chercheur

Site de la documentation

Espace intranet IST (accès réservé)

Suivi des publications IRD (accès réservé)

Mentions légales

Services Horizon

Poser une question

Consulter l'aide en ligne

Déposer une publication (accès réservé)

S'abonner au flux RSS

Voir les tableaux chronologiques et thématiques

Centres de documentation

Bondy

Montpellier (centre IRD)

Montpellier (MSE)

Cayenne

Nouméa

Papeete

Abidjan

Dakar

Niamey

Ouagadougou

Tunis

La Paz

Quito