Segmentation Sémantique d’Images de Télédétection Combinant Modèles Graphiques Probabilistes Hiérarchiques et Réseaux de Neurones Convolutifs Profonds

Dans cet article, une nouvelle methode pour traiter la segmentation semantique des donnees de teledetection a tres haute resolution est presentee. Les progres recents de l’apprentissage profond, en particulier les reseaux de neurones convolutifs et les reseaux entierement convolutifs, ont montre des performances exceptionnelles dans cette tâche. Mais, comme pour les autres methodes, la precision de la classification depend de la quantite et de la qualite de la verite de terrain utilisee pour les entrainer. Dans le meme temps, les modeles de graphes probabilistes (PGMs) ont suscite beaucoup d’interet au cours des dernieres annees, en raison de la disponibilite toujours croissante des donnees a tres haute resolution et, en consequence, du besoin plus important de previsions structurees. Les themes de recherche proposes dans cet article visent a relier et a combiner differents aspects de ces approches (modeles d’apprentissage profond et stochastiques) pour developper de nouvelles methodes de classification d’images de teledetection. Afin de developper un pipeline melant apprentissage en profondeur et PGMs pour repondre au besoin croissant de cartographie semantique precise dans les images de teledetection, deux architectures d’apprentissage bien connues telles que U-Net et SegNet ont ete considerees. La validation experimentale est menee avec l’ensemble de donnees “ISPRS 2D Semantic Labelling Challenge” sur la ville de Vaihingen, dans certains cas avec quelques modifications. Ceci afin de simuler les verites de terrain courantes dans les applications reelles de teledetection, pour evaluer si la methode proposee pouvait apporter des ameliorations a la precision de la classification. Les resultats sont significatifs, car le pipeline etudie a un score de “rappel” plus eleve par rapport aux reseaux entierement convolutifs standard consideres.