Détection de changement par images d’observation de la terre et techniques avancées d’apprentissage profond

Abstract

Le progrès technologique qu’a connu le domaine de la vision par ordinateur et les nouvelles générations de satellites, a fait révolutionner la science de l’observation de la terre, en particulier la problématique de la détection de changement. A cet effet, notre travail met en avant ces technologies modernes et propose deux systèmes de détection de changement basés sur les réseaux de neurones entièrement convolutifs. La première approche «FCN-VGG-16 adapté comme extracteur de caractéristiques» présente une méthode non-supervisée exploitant l’extraction de caractéristiques de différentes couches d’un réseau VGG-16 adapté sans couches de Pooling. La seconde approche «FCN-Siamois ED&DI sans maxpooling» met en avant les performances d’un réseau siamois modifié entièrement convolutif, entrainé de façon end-to-end et utilisant les «long skip-connections » afin d’exploiter la distance euclidienne et la différence d’image pour la classification des pixels.L’entrainement de cette deuxième approche supervisée se réfère à une base de données créée par nous-mêmes,à partir des images satellites bitemporelles disponibles avec leurs cartes de changements respectives.L’évaluation des deux systèmes est faite sur trois datasets de différents types. Les différentes expériences menées sur cet ensemble d’images ont donné des résultats quantitatifs et visuels très prometteurs, et montrent l’efficacité des modèles proposés pour la détection de changement en milieu urbain et en milieu agricole.