DeepSat V2 : Réseaux de neurones convolutifs avec augmentation de caractéristiques pour la classification d'images satellites

La classification d'images satellites est un problème complexe se situant à la croisée de la télédétection, de la vision par ordinateur et de l'apprentissage automatique. En raison de la forte variabilité inhérente aux données satellites, la plupart des approches actuelles de classification d'objets ne sont pas adaptées pour traiter les ensembles de données satellites. Le progrès des analyses d'images satellites a également été freiné par le manque d'un ensemble de données à haute résolution unique et étiqueté avec plusieurs labels de classe. Dans une version préliminaire de ce travail, nous avons présenté deux nouveaux ensembles de données d'images satellites à haute résolution (SAT-4 et SAT-6) et proposé le cadre DeepSat pour la classification basée sur des caractéristiques « conçues manuellement » et un réseau neuronal à croyance profonde (DBN). La présente publication est une version étendue, où nous présentons un cadre intégré qui utilise une architecture améliorée combinant un réseau neuronal convolutif (CNN) avec des caractéristiques conçues manuellement (au lieu d'utiliser une architecture basée sur DBN) pour la classification. Notre cadre, disposant d'informations spatiales fusionnées obtenues à partir des caractéristiques conçues manuellement ainsi que des cartes de caractéristiques CNN, a atteint respectivement des précisions de 99,90 % et 99,84 % sur SAT-4 et SAT-6, surpassant tous les autres résultats de pointe. Une analyse statistique basée sur le Critère de Séparabilité des Distributions confirme la robustesse de notre approche dans l'apprentissage de représentations améliorées pour les images satellites.