Couplage de données géographiques participatives et d'images aériennes par apprentissage profond

Nicolas Audebert 1, 2 Bertrand Le Saux 2 Sébastien Lefèvre 1
1 OBELIX - Environment observation with complex imagery
UBS - Université de Bretagne Sud, IRISA-D5 - SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE
Résumé : Ce travail porte sur l'utilisation des données OpenStreetMap (OSM) pour la segmentation sémantique d'images de télédétection. Suite aux succès récents obtenus grâce aux réseaux de neurones profonds pour la classification de données multispectrales, hyperspectrales, radar et LiDAR, nous nous intéressons à l'intégration de données géographiques, rarement utilisées dans ces procédés d'apprentissage. En particulier, nous présentons deux architectures permettant d'apprendre simultanément à partir de données OSM et d'images aériennes ou satellites, l'une basée sur le raffinement de cartes et l'autre sur la fusion de données hétérogènes. Nos résultats sur le jeu de données ISPRS Potsdam montrent que l'utilisation des données OSM améliore la qualité des cartes obtenues et accélère la convergence des réseaux lors de la phase d'apprentissage.
Type de document :
Communication dans un congrès
GRETSI, 2017, Juan-les-Pins, France
Liste complète des métadonnées

Littérature citée [15 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01672870
Contributeur : Sébastien Lefèvre <>
Soumis le : jeudi 7 juin 2018 - 11:54:59
Dernière modification le : vendredi 16 novembre 2018 - 01:40:52
Document(s) archivé(s) le : samedi 8 septembre 2018 - 12:52:08

Identifiants

  • HAL Id : hal-01672870, version 1

Citation

Nicolas Audebert, Bertrand Le Saux, Sébastien Lefèvre. Couplage de données géographiques participatives et d'images aériennes par apprentissage profond. GRETSI, 2017, Juan-les-Pins, France. 〈hal-01672870〉

Partager

Métriques

Consultations de la notice

482

Téléchargements de fichiers

65