Dans cet article, nous proposons un réseau résiduel à contexte large (WCRN) associé à un apprentissage actif (AL) pour la classification des images satellites. Bien que les ResNets aient remporté un grand succès dans diverses applications (par exemple, la classification des images satellites), leurs performances sont limitées par la nécessité d’un grand nombre d’échantillons étiquetés. Or, l’obtention d’étiquettes de classe dans le monde réel est très difficile et coûteuse. Afin de pallier ce problème, nous intégrons le WCRN proposé à l’apprentissage actif afin d’améliorer sa généralisation en exploitant uniquement les échantillons d’entraînement les plus informatifs. Plus précisément, nous concevons tout d’abord un réseau résiduel à contexte large adapté à la classification des images satellites. Nous l’intégrons ensuite à l’apprentissage actif pour atteindre une bonne généralisation machine avec un nombre restreint d’échantillons d’entraînement. Les résultats expérimentaux obtenus sur les jeux de données de l’Université de Pavie et de Flevoland démontrent que le WCRN combiné à l’AL permet de réduire de manière significative les besoins en échantillons.