Colloque

Adaptation des architectures ADDA et semi-ADDA pour la détection d'objets par apprentissage profond sur les images satellites THR

Étienne Lauzier-Hudon

Yacine Bouroubi

ÉL

Membre a labase

Étienne Lauzier-Hudon : Université de Sherbrooke

Résumé de la communication

Malgré les performances impressionnantes des CNNs en analyse d’images d’OT, de récentes publications soulignent leurs lacunes de généralisation lorsqu’appliqués à de nouvelles régions géographiques jamais ou très peu vues lors de l’entraînement. Le champ de recherche essayant de résoudre ce problème est celui de l’adaptation de domaine (DA, domain adaptation). Récemment, une nouvelle méthode de DA basée sur l’apprentissage adverserielle nommée Adversarial Discriminative Domain Adaptation (ADDA) s’est attaquée à ce problème avec succès. Peu après, une amélioration (semi-ADDA) fut proposée pour rendre le processus semi-supervisé. Or, bien que les performances atteintes par ADDA et semi-ADDA soient supérieures à celles des autres méthodes de DA, la tâche visée en est une de classification. Dans le cadre du travail présenté ici, les architectures ADDA et semi-ADDA sont modifiées pour passer de la classification à la détection d’objets, et ce en remplaçant l’architecture de classification de ADDA par l’architecture de détection d’objets Faster R-CNN. L’adaptation de domaine est effectuée pour deux classes des jeux de données xView (domaine source) et GeoImageNet (domaine cible). Les images de ces jeux de données ne proviennent ni du même territoire, ni du même capteur, ce qui constitue une tâche complexe de DA. Les résultats montrent l’efficacité de ADDA et semi-ADDA, même lorsqu’étendus à la détection d’objets, améliorant significativement les performances sur le domaine cible.

Résumé du colloque

L’observation de la Terre (OT) concerne l’acquisition et la production d’informations sur notre milieu de vie, notamment les ressources naturelles, l’environnement, l’atmosphère et les infrastructures, à l’aide des technologies de télédétection par satellites ou par d’autres moyens aériens (avions, drones). On assiste de plus en plus à un développement fulgurant des différents types de plateformes d’acquisition par les agences spatiales à travers le monde, mais également par le secteur privé. Cette effervescence est motivée par les défis et les possibilités énormes liés, entre autres, à la gestion des espaces territoriaux, à la gestion des ressources naturelles ou au changement climatique. Les différentes plateformes permettent d’imager les territoires à des échelles temporelles et spatiales inédites, contribuant ainsi à une compréhension de plus en plus raffinée de notre environnement de vie. Ces technologies sont incontournables pour le Québec et le reste du Canada, compte tenu des énormes étendues territoriales peu habitées. Avec la multiplication des plateformes, l’OT est l’une des plus grandes sources de mégadonnées. Elle cumule jour après jour des quantités phénoménales de données. Se pose alors le défi de l’exploitation de ces données massives à l’ère de la 4^e révolution industrielle pour produire de l’information décisionnelle. Les progrès importants en intelligence artificielle influencent grandement les approches utilisées en télédétection, sur le plan tant des traitements que de l’utilisation de ces données. Ainsi, le colloque proposé s’interroge sur la place de l’OT dans cette nouvelle ère, les tendances dans l’archivage, les traitements et l’exploitation des données. Il s’interroge sur les changements de paradigmes, et en particulier sur l’impact sur la compréhension fondamentale des données d’OT face à des méthodes d’extraction automatisée. Le colloque s’intéresse à l’OT sous différents angles (mégadonnées, IA, etc.).