Classification of big remote sensing data.

Classification de données massives de télédétection

Nicolas Audebert (1, 2)

1 DTIS, ONERA, Université Paris Saclay (COmUE) [Palaiseau]
2 OBELIX - Environment observation with complex imagery

Earth Observation allows us to modelize and understand the evolution of our planet. The profusion of aerial and satellite remote sensing images induces the need for automated tools able to semantize such raw data in order to map the Earth. This thesis studies the design, implementation and validation of machine learning strategies, specifically deep convolutional neural networks, for image understanding and automatic mapping. We introduce models for automated interpretation of color, multispectral and hyperspectral images, that are able to exploit spatial relationships between geometrical entities and to produce high precision maps relevant for object detection. We design data fusion architectures using multimodal learning and residual correction that can leverage ancillary data, such as digital surface models and prior geographical knowledge. Finally, we study the generalization abilities of those networks for extreme cases of both limited and very large datasets. All along this work, we thoroughly validate our contributions on various aerial and satellite datasets for land cover and land use classification, building footprints extraction and vehicle detection.

L’observation de la Terre permet de modéliser et de comprendre son évolution. L’abondance d’images de télédétection aériennes et satellitaires nécessite la mise en oeuvre de moyens d’analyse automatiques, capables d’interpréter ces données et de cartographier la surface du globe. Cette thèse traite de la conception, du déploiement et de la validation de stratégies d’apprentissage automatique, en particulier de réseaux de neurones convolutifs profonds, pour la compréhension d’images et la cartographie automatisée. Nous proposons des modèles pour l’interprétation d’images couleur, multispectrales et hyperspectrales, capables de prendre en compte les interactions spatiales entre entités géométriques et produisant des cartes d’une précision permettant la détection d’objets. Nous introduisons des architectures de fusion de données par apprentissage multi-modal et correction résiduelle afin de tirer parti des données ancillaires, comme les modèles numériques de terrain et les connaissances géographiques disponibles a priori. Enfin, nous étudions les capacités de généralisation de ces modèles dans des cas extrêmes de jeux de données limités ou massifs. Nous validons tout au long de cette thèse nos contributions sur de multiples jeux de données aériens et satellitaires pour la classification des sols et de leurs usages, l’extraction de bâtiments et la détection de véhicules.

Mots clés: DEEP LEARNING; REMOTE SENSING; SEMANTIC SEGMENTATION; NEURAL NETWORKS; MAPPING

Mots clés: CARTOGRAPHIE; SEGMENTATION SEMANTIQUE; APPRENTISSAGE PROFOND; RESEAUX DE NEURONES; TELEDETECTION

Domaines: Intelligence artificielle [cs.AI]

Nicolas Audebert. Classification de données massives de télédétection. Intelligence artificielle [cs.AI]. Université Bretagne Sud, 2018. Français. ⟨NNT : ⟩. ⟨tel-01960350⟩