Centre de documentation
scientifique

Interactive semantic segmentation of aerial images with deep neural networks / Gaston Lenczner (2022)  

Public Titre : Interactive semantic segmentation of aerial images with deep neural networks Type de document : Thèse/HDR Auteurs : Gaston Lenczner, Auteur ; Guy Le Besnerais, Directeur de thèse Editeur : Bures-sur-Yvette : Université Paris-Saclay Année de publication : 2022 Importance : 120 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse pour obtenir le grade de Docteur de l'Université Paris-Saclay, Spécialité : Traitement du signal et des images Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage automatique [Termes IGN] image aérienne [Termes IGN] image RVB [Termes IGN] programme interactif [Termes IGN] réalité de terrain [Termes IGN] réseau neuronal profond [Termes IGN] segmentation sémantique Index. décimale : THESE Thèses et HDR Résumé : (Auteur) Nous proposons dans cette thèse de mettre en place une collaboration entre un réseau de neurones profond et un utilisateur pour collecter rapidement des cartes de segmentation sémantiques précises d'images de télédétection. En bref, l'utilisateur interagit de manière itérative avec le réseau pour corriger ses prédictions initialement erronées. Concrètement, ces interactions sont des annotations représentant les labels sémantiques. Nos contributions se décomposent en quatre parties. Premièrement, nous proposons deux schémas d'apprentissage interactif pour intégrer les entrées de l'utilisateur dans les réseaux de neurones profonds. Le premier concatène les annotations de l'utilisateur avec les autres entrées du réseau (comme l'image RGB). Nous l'appliquons à la fois aux architectures convolutionnelles et aux Transformers. La seconde utilise les annotations comme une vérité terrain partielle pour ré-entraîner le réseau. Ensuite, nous proposons une stratégie d'apprentissage actif pour guider l'utilisateur vers les zones les plus pertinentes à annoter. Dans ce but, nous adaptons différentes fonctions d'acquisition issues de l'état de l'art pour évaluer l'incertitude du réseau de neurones. Enfin, nous proposons de modifier l'espace de sortie de l'algorithme pour l'adapter rapidement à de nouvelles classes sous faible supervision. Pour atténuer les problèmes de décalage de la classe d'arrière plan et d'oubli catastrophique inhérents à ce problème, nous comparons différentes régularisations et tirons parti d'une stratégie dite de pseudo-labeling. À travers des expériences sur plusieurs jeux de données de télédétection, nous démontrons l'efficacité et analysons les méthodes proposées. La combinaison de ces différents travaux aboutit à un framework robuste et polyvalent pour corriger de manière interactive les cartes de segmentation sémantique produites par des algorithmes d'apprentissage profond en télédétection. Note de contenu : Chapter 1. Introduction 1.1 Context 1.2 Open research questions 1.3 Contributions 1.4 Manuscript outline 1.5 Publications Chapter 2. Related work 2.1 Understanding the stakes 2.2 Interactive learning 2.3 Metrics & datasets Chapter 3. Fast interactive learning 3.1 Motivation & contribution 3.2 DISIR : Deep Image Segmentation with Interactive Refinements 3.3 Evaluation process 3.4 Experiments 3.5 Conclusion Chapter 4. Interactive learning at scale 4.1 Transformers for a better propagation of the annotations 4.2 DISCA : Deep Image Segmentation with Continual Adaptation Chapter 5. Guiding the interactions 5.1 Motivation & contributions 5.2 DIAL : Deep Interactive and Active Learning 5.3 Experiments 5.4 Conclusion Chapter 6. Towards interactive class-incremental segmentation 6.1 Motivation & contributions 6.2 Methodology 6.3 Experiments 6.4 Conclusion Chapter 7. Conclusion 7.1 Summary of contributions 7.2 Future works Numéro de notice : 26906 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du signal et des images : Paris-Saclay : 2022 Organisme de stage : Département Traitement de l’Information et Systèmes DTIS (ONERA) nature-HAL : Thèse DOI : sans Date de publication en ligne : 14/10/2022 En ligne : https://tel.hal.science/tel-03814978 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101918