La cartographie fondamentale reste un défi dans de nombreuses régions du monde, particulièrement dans des scénarios dynamiques tels que les catastrophes naturelles, où des mises à jour rapides sont cruciales. La mise à jour des cartes est actuellement un processus très manuel nécessitant un grand nombre d'annotateurs humains pour créer des éléments ou valider rigoureusement les résultats automatisés. Nous proposons que les fréquentes révisites des constellations de satellites d'imagerie terrestre pourraient accélérer les efforts existants pour mettre rapidement à jour les cartes fondamentales lorsqu'elles sont combinées avec des techniques avancées d'apprentissage automatique. À cet effet, les partenaires de SpaceNet (CosmiQ Works, Radiant Solutions et NVIDIA) ont publié un vaste corpus d'images satellites annotées sur Amazon Web Services (AWS), appelé SpaceNet. Les partenaires de SpaceNet ont également lancé une série de compétitions publiques avec des prix pour encourager l'amélioration des algorithmes d'apprentissage automatique en télédétection. Les deux premières de ces compétitions se sont concentrées sur l'extraction automatique des emprises de bâtiments, tandis que le défi le plus récent s'est focalisé sur l'extraction des réseaux routiers. Dans cet article, nous abordons les images SpaceNet, leurs annotations, les métriques d'évaluation, les résultats des défis jusqu'à présent et les plans futurs pour la série de défis SpaceNet.