Couplage de données géographiques participatives et d'images aériennes par apprentissage profond - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

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

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.
Fichier principal
Vignette du fichier
gretsifr.pdf (2.18 Mo) Télécharger le fichier
GRETSI_poster_c.pdf (2.65 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01672870 , version 1 (07-06-2018)

Identifiants

  • HAL Id : hal-01672870 , version 1

Citer

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⟩
301 Consultations
152 Téléchargements

Partager

Gmail Facebook X LinkedIn More