Segmentation d'images de télédétection par apprentissage profond

La segmentation d'images de télédétection par apprentissage profond applique des réseaux neuronaux convolutifs et des architectures encodeur-décodeur pour classifier et délimiter automatiquement des objets dans des images satellitaires ou aériennes au niveau du pixel. Systématiquement revu par Zhu et al. (2017) dans IEEE Geoscience and Remote Sensing Magazine, ce paradigme a unifié des approches précédemment fragmentées — classification de scènes, détection d'objets et segmentation sémantique — sous un cadre unique de caractéristiques apprises, capable d'exploiter la richesse spatiale, spectrale et temporelle des données de télédétection.