FactSeg : Segmentation sémantique d'objets petits pilotée par l'activation de la foreground dans des images satellites à grande échelle

La tâche de segmentation sémantique des objets de petite taille vise à extraire automatiquement les objets clés à partir d’images satellitaires à haute résolution (HRS). Contrairement aux zones de couverture de grande ampleur dans les images satellitaires, les objets clés tels que les voitures, les bateaux, etc., présents dans les images HRS ne contiennent souvent que quelques pixels. Dans ce travail, afin de relever ce défi, nous proposons un cadre de segmentation sémantique des objets de petite taille, appelé FactSeg, fondé sur une approche structurale et une optimisation innovantes. En ce qui concerne la conception architecturale, nous introduisons une représentation d’objets par activation du premier plan (FA), visant à renforcer la détection des caractéristiques faibles propres aux petits objets. Ce cadre repose sur un décodeur à double branche ainsi que sur une fonction de perte collaborative (CP). Le branche FA est conçue pour activer les caractéristiques des petits objets tout en supprimant efficacement le fond étendu, tandis que la branche de raffinement sémantique (SR) vise à mieux distinguer les petits objets (raffinement). La fonction de perte CP est proposée pour combiner de manière efficace les sorties d’activation et de raffinement du décodeur, sous l’hypothèse de collaboration probabiliste. Lors de cette collaboration, les caractéristiques faibles des petits objets sont renforcées grâce à la sortie d’activation, tandis que la sortie raffinée peut être interprétée comme un raffinement des sorties binaires. En phase d’optimisation, une stratégie d’optimisation de réseau basée sur l’extraction d’objets de petite taille (SOM) est appliquée afin de sélectionner automatiquement des échantillons pertinents, d’orienter efficacement le processus d’optimisation, tout en atténuant le problème d’imbalanced des échantillons entre les petits objets et le fond étendu. Les résultats expérimentaux obtenus sur deux jeux de données de référence pour la segmentation d’images HRS démontrent que le cadre proposé surpasser les méthodes d’état de l’art en segmentation sémantique, tout en offrant un bon compromis entre précision et efficacité.