Réseaux de neurones semi-supervisés pour la segmentation sémantique en télédétection

Résumé : Cet article questionne différents aspects de la segmentation sémantique des données de télédétection par apprentissage profond. Les bonnes performances des réseaux de neurones actuels reposent sur la disponibilité de larges bases de données entièrement annotées. Or dans le domaine de la télédétection, bien que les images soient abondantes, les annotations sont rares ou difficiles à réaliser. Dans ce contexte, deux questions se posent : premièrement, quelle est la capacité de généralisation des réseaux supervisés actuels ? Et deuxièmement, est-il possible d’améliorer les performances des méthodes actuelles en utilisant des données non annotées ? Nos principales contributions sont : (i) une analyse approfondie de la robustesse des réseaux supervisés par rapport aux données d’observation de la Terre, et (ii) la présentation d’une architecture semi-supervisée, capable d’exploiter simultanément des images annotées et non-annotées.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-02343961
Contributor : Sébastien Lefèvre <>
Submitted on : Sunday, November 3, 2019 - 5:58:16 PM
Last modification on : Wednesday, November 13, 2019 - 4:31:01 PM

Identifiers

  • HAL Id : hal-02343961, version 1

Citation

Javiera Castillo-Navarro, Bertrand Le Saux, Alexandre Boulch, Sébastien Lefèvre. Réseaux de neurones semi-supervisés pour la segmentation sémantique en télédétection. Colloque GRETSI sur le Traitement du Signal et des Images, 2019, Lille, France. ⟨hal-02343961⟩

Share

Metrics

Record views

18