Détection dense de changements par réseaux de neurones siamois
Abstract
Cet article présente d'une part une base de données pu-blique de détection de changements urbains créée à par-tir d'images satellitaires multispectrales Sentinelle-2, et d'autre part des architectures de réseaux neuronaux convo-lutifs pour la détection de changements entre deux images. Les réseaux proposés sont des extensions siamoises d'ar-chitectures entièrement convolutives. Ils sont capables d'apprendre à détecter des changements en utilisant des paires d'images annotées en termes de changement, sans intervention humaine et sans post-traitement. Nous mon-trons leur efficacité tant sur les bases de données RVB de l'état de l'art que sur la nouvelle base multispectrale. En particulier, ces réseaux atteignent de meilleures performances que les méthodes précédemment proposées, tout en étant au moins 500 fois plus rapides que celles-ci. Mots Clef Détection de changements, apprentissage automatique, ré-seaux entièrement convolutifs, observation de la Terre. Abstract This paper presents convolutional neural network architec-tures which perform change detection using a pair of co-registered images. Most notably, we propose Siamese extensions of fully convolutional networks which use heu-ristics about the current problem to achieve the best results in our tests on two open change detection datasets, using both RGB and multispectral images. We show that our system is able to learn from scratch using annotated change detection images. Our architectures achieve better performance than previously proposed methods, while being at least 500 times faster than related systems. We also present a change detection dataset that was developed using Sentinel-2 images.
Origin : Files produced by the author(s)
Loading...