Learning approaches for large-scale remote sensing image classification

Emmanuel Maggiori 1
1 TITANE - Geometric Modeling of 3D Environments
CRISAM - Inria Sophia Antipolis - Méditerranée
Résumé : L’analyse des images satellite et aériennes figure parmi les sujets fondamentaux du domaine de la télédétection. Ces dernières années, les avancées technologiques ont permis d’augmenter la disponibilité à large échelle des images, en comprenant parfois de larges étendues de terre à haute résolution spatiale. En plus des questions évidentes de complexité calculatoire qui en surgissent, un de plus importants défis est l’énorme variabilité des objets dans les différentes régions de la terre. Pour aborder cela, il est nécessaire de concevoir des méthodes de classification qui dépassent l’analyse du spectre individuel de chaque pixel, en introduisant de l’information contextuelle de haut niveau. Dans cette thèse, nous proposons d’abord une méthode pour la classification avec des contraintes de forme, basée sur l’optimisation d’une structure de subdivision hiérarchique des images. Nous explorons ensuite l’utilisation des réseaux de neurones convolutionnels (CNN), qui nous permettent d’apprendre des descripteurs hiérarchiques profonds. Nous étudions les CNN depuis de nombreux points de vue, ce qui nous permettra de les adapter à notre objectif. Parmi les sujets abordés, nous proposons différentes solutions pour générer des cartes de classification à haute résolution et nous étudions aussi la récolte des données d’entrainement. Nous avons également créé une base de données d’images aériennes sur des zones variées, pour évaluer la capacité de généralisation des CNN. Finalement, nous proposons une méthode pour polygonaliser les cartes de classification issues des réseaux de neurones, afin de pouvoir les intégrer dans des systèmes d’information géographique. Au long de la thèse, nous conduisons des expériences sur des images hyperspectrales, satellites et aériennes, toujours avec l’intention de proposer des méthodes applicables, généralisables et qui passent à l’échelle.
Type de document :
Thèse
Other. Université Côte d'Azur, 2017. English. 〈NNT : 2017AZUR4041〉
Liste complète des métadonnées

Littérature citée [179 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/tel-01589661
Contributeur : Abes Star <>
Soumis le : vendredi 22 septembre 2017 - 10:25:24
Dernière modification le : jeudi 11 janvier 2018 - 16:45:55

Fichier

2017AZUR4041.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01589661, version 2

Collections

Citation

Emmanuel Maggiori. Learning approaches for large-scale remote sensing image classification. Other. Université Côte d'Azur, 2017. English. 〈NNT : 2017AZUR4041〉. 〈tel-01589661v2〉

Partager

Métriques

Consultations de la notice

324

Téléchargements de fichiers

229