Réseaux de neurones profonds et fusion de données pour la segmentation sémantique d'images aériennes

Résumé : Ce travail porte sur l'utilisation des réseaux de neurones convolutifs profonds pour la classification dense des images d'observation de la Terre. En particulier, nous entraînons une variante de l'architecture SegNet sur des images aériennes en zone urbaine et étudions différentes stratégies de segmentation sémantique. Nos contributions sont les suivantes : 1)~nous étudions la capacité de transfert des caractéristiques apprises sur des images classiques aux images aériennes en utilisant un réseau entièrement convolutif; 2)~nous réalisons la fusion de données hétérogènes (optique et Lidar) en utilisant un nouveau module neuronal dit de correction résiduelle. Nous démontrons la pertinence de ces contributions sur le jeu de données ISPRS Vaihingen 2D Semantic Labeling.
Type de document :
Communication dans un congrès
ORASIS 2017, Jun 2017, Colleville-sur-Mer, France
Liste complète des métadonnées

Littérature citée [38 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01866631
Contributeur : Ccsd Sciencesconf.Org <>
Soumis le : lundi 3 septembre 2018 - 15:00:46
Dernière modification le : mercredi 5 septembre 2018 - 11:26:07

Fichier

article_orasis_2017_3_.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01866631, version 1

Citation

Nicolas Audebert, Bertrand Le Saux, Sébastien Lefèvre. Réseaux de neurones profonds et fusion de données pour la segmentation sémantique d'images aériennes. ORASIS 2017, Jun 2017, Colleville-sur-Mer, France. 〈hal-01866631〉

Partager

Métriques

Consultations de la notice

56

Téléchargements de fichiers

15