Réseaux de neurones profonds et fusion de données pour la segmentation sémantique d'images aériennes
Résumé
This work investigates the use of deep fully convolutional neural networks (DFCNN) for pixel-wise scene labeling of Earth Observation images. Especially, we train a variant of the SegNet architecture on remote sensing data over an urban area and study different strategies for performing accurate semantic segmentation. Our contributions are the following : 1) we transfer efficiently a DFCNN from generic everyday images to remote sensing images ; 2) we perform data fusion from heterogeneous sensors (optical and laser) using residual correction. Our framework improves state-of-the-art accuracy on the ISPRS Vaihingen 2D Semantic Labeling dataset.
Ce travail porte sur l'utilisation des réseaux de neu-rones convolutifs profonds pour la classification dense des images d'observation de la Terre. En particulier, nous en-traînons 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 trans-fert des caractéristiques apprises sur des images classiques aux images aériennes en utilisant un réseau entièrement convolutif ; 2) nous réalisons la fusion de données hétéro-gènes (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 IS-PRS Vaihingen 2D Semantic Labeling. Mots Clé
Fichier principal
AudebertLeSauxLefevre_ORASIS_fusion.pdf (1.21 Mo)
Télécharger le fichier
Audebert_ORASIS_fusion_slides.pdf (5.32 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...