Semi-supervised Neural Networks for Semantic Segmentation in Remote Sensing

Réseaux de neurones semi-supervisés pour la segmentation sémantique en télédétection

Javiera Castillo-Navarro (1, 2) , Bertrand Le Saux (2) , Alexandre Boulch (2) , Sébastien Lefèvre (1)

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

Cet article questionne différents aspects de la segmentation sémantique des données de télédétection par apprentissage profond. Les bonnes performances des réseaux de neurones actuels reposent sur la disponibilité de larges bases de données entièrement annotées. Or dans le domaine de la télédétection, bien que les images soient abondantes, les annotations sont rares ou difficiles à réaliser. Dans ce contexte, deux questions se posent : premièrement, quelle est la capacité de généralisation des réseaux supervisés actuels ? Et deuxièmement, est-il possible d’améliorer les performances des méthodes actuelles en utilisant des données non annotées ? Nos principales contributions sont : (i) une analyse approfondie de la robustesse des réseaux supervisés par rapport aux données d’observation de la Terre, et (ii) la présentation d’une architecture semi-supervisée, capable d’exploiter simultanément des images annotées et non-annotées.

Domaines: Vision par ordinateur et reconnaissance de formes [cs.CV]

Javiera Castillo-Navarro, Bertrand Le Saux, Alexandre Boulch, Sébastien Lefèvre. Réseaux de neurones semi-supervisés pour la segmentation sémantique en télédétection. Colloque GRETSI sur le Traitement du Signal et des Images, 2019, Lille, France. ⟨hal-02343961⟩