Centre de documentation
scientifique

Vers une occupation du sol France entière par imagerie satellite à très haute résolution / Tristan Postadjian (2020)  

Public Titre : Vers une occupation du sol France entière par imagerie satellite à très haute résolution Type de document : Thèse/HDR Auteurs : Tristan Postadjian , Auteur ; Clément Mallet , Directeur de thèse ; Arnaud Le Bris , Encadrant ; Hichem Sahbi, Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2020 Importance : 169 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse présentée pour l'obtention du titre de Docteur de l'Université Paris-Est, spécialité : Mathématiques, Sciences et Technologies de l'Information et de la Communication Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] base de données localisées IGN [Termes IGN] carte d'occupation du sol [Termes IGN] classification automatique [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] image à très haute résolution [Termes IGN] image SPOT 6 [Termes IGN] image SPOT 7 [Termes IGN] mise à jour de base de données [Termes IGN] occupation du sol [Termes IGN] OCS GE Index. décimale : THESE Thèses et HDR Résumé : (auteur) La connaissance de la couverture des territoires en terme d’occupation des sols est devenue un enjeu majeur du XXIème siècle. Que ce soit à l’échelle nationale ou à une échelle plus globale, les initiatives se multiplient pour proposer des cartographies d’occupation des sols qui répondent à des besoins propres à chacune. Consistant à classer des objets présents sur le sol selon des nomenclatures prédéfinies, la tâche est fastidieuse à l’heure actuelle avec des processus essentiellement manuels ou semi-manuels, nécessaires pour garantir le respect de certaines qualités et spécifications. De son côté, la télédétection spatiale a connu un essor conséquent avec la multiplication des capteurs optiques d’observation de la Terre disponibles et de leur diversité en terme de résolutions spectrale, spatiale et temporelle. Ces capteurs optiques proposent chacun une description de la surface terrestre qui leur est propre, et donc caractérisant un ou plusieurs type(s) d’occupation(s) des sols. Ces types dépendent justement des caractéristiques de ces capteurs, caractéristiques adaptées davantage à l’observation des glaciers, des forêts ou des zones plus urbaines par exemple. Les satellites SPOT 6 et SPOT 7, lancés en 2012 et 2014 respectivement, sont dotés de capteurs optiques à très haute résolution spatiale, et acquièrent des images dans quatre bandes spectrales à haute résolution ainsi qu’une bande panchromatique à très haute résolution, permettant de porter la résolution des quatre canaux spectraux à 1,5 m. L’IGN, à partir de ces acquisitions SPOT disponibles sur le pôle de données surfaces continentales THEIA, produit chaque année une couverture d’orthophotos sur l’ensemble du territoire français. Il apparaît dès lors intéressant d’exploiter cette couverture pour générer une OCS millésimée. La problématique de cartographie de l’occupation des sols automatique à partir d’images aériennes ou satellites occupe la communauté de télédétection depuis longtemps, par le biais de processus de classification supervisés, tels que les SVMs, ou les forêts aléatoires pour, entre autres, la vitesse d’exécution de ces derniers. Mais les résultats obtenus par ces méthodes n’ont pas encore permis une réelle automatisation, notamment en adéquation avec des spécifications existantes (erreurs encore trop importantes). En parallèle de ces algorithmes depuis longtemps utilisés, des méthodes d’apprentissage automatique d’un genre nouveau, bien que reposant sur des concepts remontant aux années 1950, émergent depuis une décennie et sont étroitement liés aux recherches menées en machine learning. L’apprentissage profond, dont il est question ici, a fait ses preuves dans de nombreux domaines depuis le traitement naturel du langage, à la reconnaissance d’objets dans des images. Cet essor récent est la conséquence de la disponibilité de grandes bases de données d’apprentissage, ainsi que la démocratisation de l’utilisation de GPUs et de l’accroissement général des puissances de calcul. Représentants principaux de cette famille d’apprentissage, les réseaux de neurones profonds ont réellement bouleversé le monde actuel au quotidien. Que ce soit au niveau académique en terme de recherche, au niveau sociétal, au travers des smartphones par exemple (reconnaissances vocale, faciale, systèmes de recommandation), ou même au niveau politique, avec les questions déontologiques que cela peut poser en terme de confidentialité des données (RGPD) et de protection des libertés individuelles, l’apprentissage profond est au cœur de technologies utilisées par la plupart des gens, de manière transparente et donc sans que ceux-ci s’en aperçoivent. En effet, pour afficher de telles performances dans tant de domaines, l’inconvénient pratique est le besoin très massif de données d’apprentissage lorsque l’on manipule ces algorithmes. Les bases de données géographiques de l’IGN sont donc une opportunité dans notre cas, permettant d’exploiter au mieux les images très haute résolution monoscopiques acquises par les satellites SPOT 6 et 7 en les classifiant automatiquement par réseaux de neurones profonds appris sur ces mêmes bases de données. C’est cette approche que nous proposons dans ces travaux de thèse, avec une volonté d’étudier cette problématique tout en se plaçant dans un cadre plus large à visée opérationnelle, afin de proposer des cartographies sur de grandes étendues géographiques. Les expérimentations menées répondent aux questions soulevées lorsque l’on cherche à classifier de grandes zones : par exemple, la couverture annuelle SPOT produite par l’IGN étant unique, deux images adjacentes de cette couverture peuvent avoir été acquises à des époques différentes. Également, nous étudions les possibilités de transfert d’apprentissage par fine-tuning qui offre beaucoup d’avantages en matière de charges de calcul et de jeu d’apprentissage. Enfin, dans un contexte de mise à jour automatique de bases de données géographiques, l’exploitation jointe d’images aériennes et de réseaux de neurones profonds est étudiée, avec un accent mis sur la préparation des données d’apprentissage issues des bases de données géographiques de l’IGN qui présentent certains inconvénients. Note de contenu : 1- Introduction 2- Etat de l'art 3- Apprentissage profond sur images satellites très haute résolution 4- Mettre à jour des bases de données d'OCS 5- Conclusion et perspectives Numéro de notice : 25964 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris-Est : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 08/12/2020 En ligne : https://theses.hal.science/tel-03045637 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96546

Classification à très large échelle d’images satellites à très haute résolution spatiale par réseaux de neurones convolutifs / Tristan Postadjian in Revue Française de Photogrammétrie et de Télédétection, n° 217-218 (juin - septembre 2018)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 217-218 (juin - septembre 2018) . - pp 73 - 86 Titre : Classification à très large échelle d’images satellites à très haute résolution spatiale par réseaux de neurones convolutifs Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Hichem Sahbi, Auteur ; Clément Mallet , Auteur Année de publication : 2018 Projets : 1-Pas de projet / Article en page(s) : pp 73 - 86 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] base de données localisées [Termes IGN] carte d'occupation du sol [Termes IGN] classification par réseau neuronal [Termes IGN] image à très haute résolution [Termes IGN] image SPOT 6 [Termes IGN] image SPOT 7 [Termes IGN] réseau neuronal convolutif Résumé : (auteur) Les algorithmes de classification supervisée d'images satellites constituent un outil fondamental pour le calcul de cartes d'occupation des sols, à toutes les résolutions spatiales existantes. Ils ont permis d'établir la télédétection comme moyen le plus fiable pour la génération de ces cartes. Les récents progrès en apprentissage automatique ont montré les très grandes performances des réseaux de neurones convolutifs pour de nombreuses applications, y compris l'interprétation d'images aériennes et satellites. Le travail présenté dans cet article établit une stratégie quant à l'utilisation d'un réseau de neurone convolutifs pour la classification d'images satellites à très haute résolution spatiale (à savoir SPOT 6/7), couvrant de très larges régions géographiques, avec pour perspective future le calcul de cartes d'occupation des sols à l'échelle d'un pays. Numéro de notice : A2018-514 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2018.418 Date de publication en ligne : 21/09/2018 En ligne : https://doi.org/10.52638/rfpt.2018.418 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91268 [article]

Classification à très haute résolution (THR) spatiale et fusion d'occupation des sols (OCS) / Tristan Postadjian (2018) 

Public contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)   Titre : Classification à très haute résolution (THR) spatiale et fusion d'occupation des sols (OCS) Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Clément Mallet , Auteur ; Hichem Sahbi, Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : 1-Pas de projet / Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] classification par réseau neuronal [Termes IGN] fusion d'images [Termes IGN] image à très haute résolution [Termes IGN] image Sentinel-MSI [Termes IGN] image SPOT 6 [Termes IGN] image SPOT 7 [Termes IGN] occupation du sol [Termes IGN] réseau neuronal convolutif Résumé : (auteur) La connaissance de la couverture du sol, bien qu'essentielle comme donnée support aux directives européennes et aux politiques publiques nationales, s'avère coûteuse dans des processus manuels. Des processus automatiques exploitant des données de télédétection s'avèrent donc nécessaires pour un suivi régulier. Ainsi, bénéficiant d'une donnée d'apprentissage massive avec les bases de données géographiques existantes, nous proposons l'utilisation de méthodes de classification automatique avancées de type réseaux de neurones convolutifs profonds (deep learning) pour produire une OCS à large échelle à partir d'images SPOT 6 et 7. Des couvertures annuelles du territoire français par ce capteur sont en effet mises à disposition par le pôle Théia. Un exemple d'utilisation des résultats obtenus pour la détection d'une tache artificialisée par fusion avec une classification de séries temporelles d'images optiques acquises par les satellites Sentinel-2 sera ensuite présenté. Numéro de notice : C2018-028 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90569

Documents numériques

peut être téléchargé Classification à très haute résolution (THR) spatiale et ... - diaporama Adobe Acrobat PDF

Classification à très large échelle d'images satellite à très haute résolution spatiale par réseaux de neurones convolutifs / Tristan Postadjian (2018)    

Public Titre : Classification à très large échelle d'images satellite à très haute résolution spatiale par réseaux de neurones convolutifs Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Hichem Sahbi, Auteur ; Clément Mallet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : 1-Pas de projet / Conférence : CFPT 2018, Conférence Française de Photogrammétrie et de Télédétection 25/06/2018 28/06/2018 Champs-sur-Marne France Open Access Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] base de données localisées [Termes IGN] classification par réseau neuronal [Termes IGN] image à très haute résolution [Termes IGN] image satellite [Termes IGN] réseau neuronal convolutif Résumé : (auteur) Les algorithmes de classification constituent un outil essentiel pour le calcul de cartes d’occupation des sols. Les récents progrès en apprentissage automatique ont montré les très grandes performances des réseaux de neurones convolutifs pour de nombreuses applications, y compris la classification d’images aériennes et satellites. Ce travail établit une stratégie quant à l’utilisation d’un réseau de neurone convolutif pour la classification d’images satellites à très haute résolution spatiale, couvrant de très larges régions géographiques, avec pour perspective future le calcul de cartes d’occupation des sols à l’échelle d’un pays. Numéro de notice : C2018-004 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE/INFORMATIQUE Nature : Poster nature-HAL : Poster-avec-CL DOI : sans Date de publication en ligne : 28/06/2018 En ligne : https://rfiap2018.ign.fr/programmeCFPT Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90311

Documents numériques

en open access Classification à très large échelle ... - pdf éditeur Adobe Acrobat PDF

Domain adaptation for large scale classification of very high resolution satellite images with deep convolutional neural networks / Tristan Postadjian (2018)  

Public Titre : Domain adaptation for large scale classification of very high resolution satellite images with deep convolutional neural networks Type de document : Article/Communication Auteurs : Tristan Postadjian , Auteur ; Arnaud Le Bris , Auteur ; Hichem Sahbi, Auteur ; Clément Mallet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2018 Projets : 2-Pas d'info accessible - article non ouvert / Conférence : IGARSS 2018, IEEE International Geoscience And Remote Sensing Symposium, observing, understanding and forecasting the dynamics of our planet 22/07/2018 27/07/2018 Valencia Espagne Proceedings IEEE Importance : pp 3631 - 3634 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] apprentissage profond [Termes IGN] base de données d'occupation du sol [Termes IGN] classification [Termes IGN] grande échelle [Termes IGN] occupation du sol [Termes IGN] réseau neuronal convolutif Résumé : (auteur) Semantic segmentation of remote sensing images enables in particular land-cover map generation for a given set of classes. Very recent literature has shown the superior performance of deep convolutional neural networks (DCNN) for many tasks, from object recognition to semantic labelling, including the classification of Very High Resolution (VHR) satellite images. However, while plethora of works aim at improving object delineation on geographically restricted areas, few tend to solve this classification task at very large scales. New issues occur such as intra-class class variability, diachrony between surveys, and the appearance of new classes in a specific area, that do not exist in the predefined set of labels. Therefore, this work intends to (i) perform large scale classification and to (ii) expand a set of land-cover classes, using the off-the-shelf model learnt in a specific area of interest and adapting it to unseen areas. Numéro de notice : C2018-048 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2018.8518799 Date de publication en ligne : 05/11/2018 En ligne : https://doi.org/10.1109/IGARSS.2018.8518799 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91271

Superpixel partitioning of very high resolution satellite images for large-scale classification perspectives with deep convolutional neural networks / Tristan Postadjian (2018)  

Permalink

Investigating the potential of deep neural networks for large-scale classification of very high resolution satellite images / Tristan Postadjian in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-1/W1 (May 2017)  

Permalink

Supervised change detection in satellite imagery using super pixels and relevance feedback / Surender Varma Gadhiraju in Geomatica, vol 68 n° 1 (March 2014)  

Permalink