2D/3D discretization of Lidar point clouds : processing with morphological hierarchies and deep neural networks ; Discrétisation 2D/3D de nuages de points Lidar : traitement à l'aide des hiérarchies morphologiques et des réseaux de neurones profonds
Titel:
2D/3D discretization of Lidar point clouds : processing with morphological hierarchies and deep neural networks ; Discrétisation 2D/3D de nuages de points Lidar : traitement à l'aide des hiérarchies morphologiques et des réseaux de neurones profonds
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Cette thèse évalue le potentiel des méthodes hiérarchiques d'analyses morphologiques et des réseaux de neurones profonds pour analyser les données Lidar au moyen de plusieurs stratégies de discrétisation. La quantité de données Lidar augmente de manière exponentielle en termes de superficies couvertes et de résolution spatiale. Cependant, ces données ne sont pas encore pleinement exploitées en raison du manque d'outils méthodologiques efficaces. Les approches morphologiques sont connues pour extraire des caractéristiques multi-échelles fiables tout en étant extrêmement efficaces sur le plan calculatoire. Dans le même temps, la formidable percée de l'apprentissage profond en vision par ordinateur a bouleversé la communauté de la télédétection. Afin d'évaluer ces outils, nous définissons et évaluons différentes stratégies de discrétisation des données. Dans une première partie, nous réorganisons les nuages de points Lidar en grilles régulières 2D. Nous proposons de dériver plusieurs caractéristiques, en extrayant, en plus de l'altitude, des informations spécifiques au Lidar (valeurs spectrales, nombre de retours, etc). Dans une deuxième partie, nous réorganisons les nuages de points en grilles régulières 3D. Cela permet de fournir le contexte de voisinage nécessaire aux approches morphologiques hiérarchiques et les grilles proposées sont aussi adaptées aux couches d'entrée des réseaux de neurones profonds. Les différents développements proposés ont systématiquement fait l'objet d'une validation en télédétection. ; This thesis evaluates the relevance of morphological hierarchies and deep neural networks for analysing Lidar data by means of several discretization strategies. The quantity of data increases exponentially in coverage and resolution. However, actual datasets are not yet fully exploited due to the lack of efficient methodological tools for this specific type of data. Morphological structures are known to extract reliable multi-scale features while being extremely computationally efficient. In the mean ...