Extraction de bâtiments à partir d'images de télédétection via un réseau sensible à l'incertitude

L'extraction des bâtiments vise à segmenter les pixels des bâtiments à partir d'images de télédétection et joue un rôle essentiel dans de nombreuses applications, telles que l'aménagement urbain et la surveillance dynamique des villes. Au cours des dernières années, les méthodes d'apprentissage profond avec des architectures encodeur-décodeur ont obtenu des performances remarquables grâce à leur capacité de représentation de caractéristiques puissante. Cependant, en raison des échelles et des styles variés des bâtiments, les modèles d'apprentissage profond conventionnels souffrent souvent de prédictions incertaines et ne peuvent pas distinguer précisément les emprises complètes des bâtiments parmi la distribution complexe des objets au sol, ce qui entraîne une grande proportion d'omissions et de fausses détections. Dans cet article, nous soulignons l'importance de la prédiction incertaine et proposons un nouveau réseau simple et efficace prenant en compte l'incertitude (Uncertainty-Aware Network, UANet) pour atténuer ce problème. Pour vérifier les performances de notre UANet proposé, nous avons mené de nombreuses expériences sur trois jeux de données publics de bâtiments, incluant le jeu de données WHU, le jeu de données Massachusetts et le jeu de données d'images aériennes Inria. Les résultats montrent que le UANet proposé surpasse largement les autres algorithmes de pointe.