search

CS-SI / 2018_ups_iarf-rodeco_schoolproject

Extractions d'un MNT à partir d'un MNS & Rasterisation MNS en 2.5D à partir d'un mesh 3D
0 stars 2 forks source link

Random Forests features #14

Open astridBourgois opened 5 years ago

astridBourgois commented 5 years ago

Je n'arrive pas à déterminer quelles features (autre que l'altitude) pourraient être intéressantes (et disponibles depuis le nuage de points) pour la classification du random forests. Certains papiers utilisent les informations de "multi-level texture" comme features, mais je ne comprends pas de quoi il s'agit?

amiotc commented 5 years ago

Peux-tu nous donner la référence d'un papier parlant de "multi-level texture"?

Si non, en autres caractéristiques du nuages de points, il est possible d'utiliser l'information multi-spectrale (si vous possédez des images en entrée MS. @jguinet as-tu de tels images stéréo / tri-stéréo dans le dataset que tu as récupéré?). Sans cette information MS, la détection du bâti (tout ou partie) doit pouvoir se faire également en intégrant des informations du gradient. Par exemple, on peut envisager calculer le gradient du MNS. Puis dézoomer ce MNS d'un facteur 2, et calculer de nouveau le gradient. Le dézoom peut se faire via une pyramide de Gauss ou pyramide laplacienne. Les différentes images de gradient peuvent servir d'entrée au Random Forest.

astridBourgois commented 5 years ago

DTM Generation in Forest Regions From Satellite Stereo Imagery de J. Tian, T. Krauss, P. Reinartz (il est sur le git sous le nom : Tian_isprsarchives-XL-1-401-2014) Ils parlent des features utilisées dans la conclusion.

J'ai un peu de mal à comprendre en quoi le dézoom va aider à classifier le bâti?

amiotc commented 5 years ago

J'ai un peu de mal à comprendre en quoi le dézoom va aider à classifier le bâti?

Ce n'est qu'une intuition, mais le bâti, tel que les maisons ou les immeubles ont une emprise. Qui se voit avec le gradient. En dézoomant, à partir d'une certaine résolution, ce bâti va "disparaitre" : en basse résolution, les maisons/immeubles ne seront plus distinguables du reste. Et donc cela aura aussi un impact sur le gradient. Si l'on regarde donc la signature du gradient aux différentes échelles, il y a peut être un pattern à apprendre qui distinguera le bâti (ou une partie comme les constructions de faible emprise au sol), du sol (gradient toujours constant).

Je ne sais pas / plus si ce type d'études a été reportée dans la littérature. Je n'ai plus tous les articles en tête.

amiotc commented 5 years ago

Certains papiers utilisent les informations de "multi-level texture" comme features, mais je ne comprends pas de quoi il s'agit?

J'ai parcouru l'article : il ne mentionne pas les features qu'il utilise. En lieu et place, il renvoie à un article des mêmes auteurs de 2013, mais ce dernier n'est pas disponible librement sur le net. Je n'y ai pas accès. Tout ce qui en dérive ne peut donc qu'être supposition. Il est probable qu'ils utilisent des pyramides multi-résolutions, telles que celles de Gauss et de Laplace, et y appliquent différents opérateurs. Le gradient peut être, ou bien d'autres éléments. Ils semblent utiliser les images orthorectifiées. On peut supposer qu'un opérateur sur l'intensité (autrement dit une segmentation de l'image par groupe d'intensité similaire) peut fournir également des informations sur la classification. Les pixels d'un même groupe appartiennent à la même classe (dans leur cas, haute forêt, basse-forêt, bati ou sol). Mais intégrer cette classification dans le random forest me paraît compliqué. Le gradient et/ou d'autres opérateurs seraient plus simples.

Le deuxième problème de cet article est qu'il repose surtout sur la détection de changement, plutôt que la détection en elle-même. Donc la méthode qui serait la plus intéressante (la classification) n'est pas décrite.