Réseaux de Siamese entièrement convolutionnels pour la détection de changements

Ce document présente trois architectures de réseaux neuronaux entièrement convolutifs qui effectuent la détection de changements à partir d'une paire d'images coréglées. Notamment, nous proposons deux extensions jumelles (Siamese) de réseaux entièrement convolutifs qui utilisent des heuristiques relatives au problème actuel pour obtenir les meilleurs résultats dans nos tests sur deux ensembles de données ouverts de détection de changements, en utilisant à la fois des images RGB et multispectrales. Nous montrons que notre système est capable d'apprendre à partir de zéro en utilisant des images annotées de détection de changements. Nos architectures offrent une meilleure performance que les méthodes précédemment proposées, tout en étant au moins 500 fois plus rapides que les systèmes connexes. Ce travail constitue une étape vers le traitement efficace des données provenant de grands systèmes d'observation terrestre tels que Copernicus ou Landsat.