Op donderdag 14 januari heeft Kadaster in samenwerking met BZK en SVB-BGT een technische AI georganiseerd. Hierbij stonden ontwikkelingen rondom mutatiesignalering en Artificial Intelligence (AI) centraal.

Programma

Deze sessie was bedoeld voor AI ontwikkelaars of mensen met een grote affiniteit voor AI. Ruim 90 deelnemers hebben zich aangemeld. Tijdens deze sessie kwamen vier interessante AI experts aan het woord:

  • Devis Tuia, Associate professor, EPFL ENAC, Environmental Computational Science and Earth Observation Laboratory (ECEO), Switzerland.

    Devis gaf een presentatie waarin hij een mooi overzicht gaf over AI en vertelde over actuele interessante papers. 

    > Download papers
    > Bekijk de presentatie terug 

  • Wufan Zhao, PhD kandidaat, Faculty of Geo-Information Science and Earth Observation University of Twente, Netherlands.

    Wufan ontwikkelt momenteel een pipeline waarin gebouwen gedetecteerd en ingetekend worden. Tijdens zijn presentatie lichtte hij dit verder toe. Bekijk de presentatie hier terug. 

    > Download papers
    > Bekijk de presentatie terug 

  • Bertrand Le Saux, Onderzoeker bij European Space Agency.

    Tijdens zijn presentatie vertelde Bertrand over het gebrek aan goede ground truth data waarmee AI modellen getraind kunnen worden en wat we hieraan kunnen doen.
    Bekijk de presentatie hier terug. 

    > Download papers
    > Bekijk de presentatie terug

  • Sander Oude Elberink, Assistant Professor, Faculty of Geo-Information Science and Earth Observation University of Twente, Netherlands.

    De presentatie van Sander liet mogelijkheden zien in het veld van puntenwolken en deze combineren met topografische kaarten. Bekijk de presentatie hier terug.

    > Download papers
    > Bekijk de presentatie terug 

Community wijs met locatie

Deze sessie vond plaats binnen de community wijs met locatie, het Kadaster heeft deze sessie georganiseerd vanuit de “Kadaster Proeftuin BGT mutatiesignalering met AI”. In de proeftuin werken leveranciers, bronhouders en het Kadaster samen om een reëel beeld te krijgen van de huidige stand van de techniek. Samen proberen wij deze techniek een stap verder te brengen.

De proeftuin is een samenwerking van het Ministerie van Binnenlandse Zaken en Koninkrijksrelaties en het SVB-BGT. Wil je hierover meer weten? Lees het hier.  

 

Meer weten?

Heb je vragen, opmerkingen of wil je meer weten over de proeftuin? Neem dan contact op met Iris of Magdalena.

 

Papers

Papers Devis Tuia
Volpi, D. Tuia, F. Bovolo, M. Kanevski, and L. Bruzzone. Supervised change detection in VHR images using contextual information and support vector machines. Int. J. Appl. Earth Obs. Geoinf., 20:77–85, 2013.

https://www.researchgate.net/publication/257128968_Supervised_change_detection_in_VHR_images_using_contextual_information_and_support_vector_machines 


Volpi, G. Camps-Valls, and D. Tuia. Spectral alignment of cross-sensor images with automated kernel canonical correlation analysis. ISPRS J. Int. Soc. Photo. Remote Sens., 107:50–63, 2015.
https://www.researchgate.net/publication/274645402_Spectral_alignment_of_multi-temporal_cross-sensor_images_with_automated_kernel_canonical_correlation_analysis 


Leenstra, D. Marcos, F. Bovolo, D. Tuia, Self-supervised pretraining enhances change detection in Sentinel-2 images Pattern Recognition in Remote Sensing workshop, ICPR, 2021

http://arxiv.org/abs/2101.08122 


Doersch, A. Gupta, and A. A. Efros, “Unsupervised visual representation learning by context prediction,” in IEEE International Conference on Computer Vision (ICCV), pp. 1422–1430, 2015.

https://arxiv.org/abs/1505.05192 


Gidaris, P. Singh, and N. Komodakis, “Unsupervised representation learning by predicting image rotations,” in International Conference on Learning Representations (ICLR), 2018.

https://arxiv.org/abs/1803.07728 

 

Papers Betrand Le Saux
Daudt, B. Le Saux, A. Boulch, Y. Gousseau, Multi-task learning for large scale semantic segmentation, CVIU, 2018

https://arxiv.org/pdf/1810.08452.pdf 

 

Interactive Learning for Semantic Segmentation in Earth Observation G. Lenczner, B. Le Saux, N. Luminari, A. Chan-Hon-Tong, G. Le BesneraisECML/PKDD MACLEAN, Virtual / Ghent, Belgium, September 2020

https://blesaux.github.io/files/Gaston-Lenczner_DISCA_ECMLPKDD2020.pdf

 

DISIR: Deep image segmentation with interactive refinement G. Lenczner, B. Le Saux, N. Luminari, A. Chan-Hon-Tong, G. Le Besnerais, ISPRS Annals, Virtual / Nice, France, August 2020

https://blesaux.github.io/files/Gaston-Lenczner_DISIR_isprs2020_final.pdf

 

Papers Wufan Zhao

Building outline Delineation: from very high resolution remote sensing imagery to polygons with an improved end-to-end learning framework. Wufan Zhao, Ivan Ivanov, Clausio Persello, Alfred Stein, ISPRS Congress 2020. [no link]

 

Building instance segmentation and boundary regularization from High-resolution remote sensing images. Wufan Zhao, Clausio Persello, Alfred Stein, 2020. [no link]

 
Papers Sander Oude Elberink

Lin, Y., Vosselman, G., Cao, Y., Yang, M.Y.; LGENet: Local and Global Encoder Network for Semantic Segmentation of Airborne Laser Scanning Point Clouds. https://arxiv.org/ftp/arxiv/papers/2012/2012.10192.pdf

 

Oude Elberink, S. J.: SMART FUSION OF MOBILE LASER SCANNER DATA WITH LARGE SCALE TOPOGRAPHIC MAPS, ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., V-2-2020, 251–258, https://doi.org/10.5194/isprs-annals-V-2-2020-251-2020

 

Yang, Z., Jiang, W., Lin, Y., & Oude Elberink, S. J. (2020). Using training samples retrieved from a topographic map and unsupervised segmentation for the classification of airborne laser scanning Data. Remote sensing, 12(5), 1-18. [877]. https://doi.org/10.3390/rs12050877

 

Tags: AI