Apprentissage de réseaux de neurones de super-résolution pour la détection d'objets de petite taille dans les images de télédétection

Luc Courtrai (1, 2) , Minh-Tan Pham (1, 2) , Jean-Christophe Burnel (1, 2) , Sébastien Lefèvre (1, 2)

1 OBELIX - Observation de l’environnement par imagerie complexe
2 IRISA - Institut de Recherche en Informatique et Systèmes Aléatoires

Cet article traite du problème de détection de petits objets dans les images satellites ou aériennes 1 au moyen d'un réseau de neurones spécialisé dans la super-résolution d'images. Nous montrons comment améliorer l'apprentissage d'un générateur, réseau de neurones basé sur des blocs résiduels (le réseau de super-résolution) en lui ajoutant un réseau adversaire (discriminateur ou critique) puis en l'intégrant dans un cycle avec un réseau de réduction d'images. En outre, en ajoutant un réseau auxiliaire de détection de petits objets dans l'architecture, nous améliorons considérablement l'apprentissage de ce même réseau de super-résolution. Les résultats de super-résolution et de détection ont été obtenus sur une base de véhicules extraites du jeu de données public ISPRS 2D Semantic Labeling Contest composé d'images aériennes acquises sur la ville de Potsdam.

Mots clés: Télédétection; détection d'objets; super-résolution; apprentissage profond; réseaux adversaires (GAN); Cycle-GAN; Wasserstein GAN; réseau auxiliaire

Domaines: Traitement des images [eess.IV]

Luc Courtrai, Minh-Tan Pham, Jean-Christophe Burnel, Sébastien Lefèvre. Apprentissage de réseaux de neurones de super-résolution pour la détection d'objets de petite taille dans les images de télédétection. RFIAP 2020 - Reconnaissance des Formes, Image, Apprentissage et Perception, Jun 2020, Vannes, France. ⟨hal-03380204⟩