Apprentissage non supervisé en télédétection : un état de l'art

Dans le domaine de la recherche en apprentissage profond, l’apprentissage auto-supervisé (SSL, self-supervised learning) a suscité un intérêt croissant, tant au sein de la communauté du traitement d’images que de celle de l’observation de la Terre. Bien que des progrès considérables aient été réalisés en vision par ordinateur, une grande partie du potentiel du SSL dans le domaine de l’observation de la Terre reste encore inexplorée. Dans cet article, nous proposons une introduction et un état de l’art des concepts et des avancées récentes du SSL en vision par ordinateur, dans le contexte spécifique de l’observation de la Terre. Nous fournissons également une évaluation préliminaire des algorithmes SSL modernes sur des jeux de données populaires en télédétection, confirmant le potentiel du SSL en télédétection tout en offrant une analyse approfondie des techniques d’augmentation de données. Enfin, nous identifions une série de directions prometteuses pour les recherches futures en SSL appliqué à l’observation de la Terre (SSL4EO), afin de favoriser une interaction fructueuse entre ces deux domaines.