Encodage de matrices de covariance par les vecteurs de Fisher log-euclidien : application à la classification supervisée d'images satellitaires
Résumé
This paper introduces a new hybrid architecture based on Fisher vector encoding (VF) of the convolutional layer outputs of a neural network. The originality of this work is based on the exploitation of second-order statistics via the calculation of local covariance matrices. Considering the intrinsic properties of the Riemannian manifold of covariance matrices, we propose to use the log-euclidean metric in order to extend the concept of VF encoding: the log-euclidean Fisher vectors (LE VF). The proposed architecture is then evaluated on different remote sensing databases : the UC Merced Land Use Land Cover database, the AID database, as well as on two Pléiades datasets on maritime pine forests and oyster beds.
Cet article présente une nouvelle architecture hybride basée sur l'encodage par vecteurs de Fisher (VF) des sorties des couches convolutives d'un réseau de neurones. L'originalité de ce travail repose sur l'exploitation des statistiques d'ordre deux via le calcul des matrices de covariance locales. Considérant les propriétés intrinsèques à la géométrie Riemannienne propre à l'espace des matrices de covariance, nous proposons d'utiliser la métrique log-euclidienne afin d'étendre le concept des VF pour l'encodage de matrices de covariance : les vecteurs de Fisher log-euclidiens (LE VF). L'architecture proposée est ensuite évaluée sur différentes bases de données de télédétection : la base UC Merced Land Use Land Cover, la base AID, ainsi que sur deux jeux de données Pléiades sur des forêts de pins maritimes et de parcs ostréicoles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...