{"id":1328,"date":"2014-09-26T08:43:01","date_gmt":"2014-09-26T06:43:01","guid":{"rendered":"http:\/\/wp.unil.ch\/geoblog\/?p=1328"},"modified":"2018-12-18T09:58:50","modified_gmt":"2018-12-18T08:58:50","slug":"domain-adaptation-in-remote-sensing-increasing-the-portability-of-land-cover-classifiers","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2014\/09\/domain-adaptation-in-remote-sensing-increasing-the-portability-of-land-cover-classifiers\/","title":{"rendered":"Domain Adaptation in Remote Sensing : Increasing the Portability of Land-Cover Classifiers"},"content":{"rendered":"<p><em>Th\u00e8se soutenue le 26 septembre 2014 par Giona Matasci, Institut des dynamiques de la surface terrestre<\/em><\/p>\n<p>Parmi les types de mesures par t\u00e9l\u00e9d\u00e9tection, les images optiques sont certainement l\u2019une des sources de donn\u00e9es les plus largement utilis\u00e9es pour l\u2019observation de la Terre. Elles fournissent des informations d\u00e9taill\u00e9es concernant le rayonnement \u00e9lectromagn\u00e9tique r\u00e9fl\u00e9chi ou \u00e9mis par chaque pixel de la zone \u00e9tudi\u00e9e. \u00c0 travers un processus appel\u00e9 classification supervis\u00e9e, ces images permettent d\u2019identifier de fa\u00e7on automatique et pr\u00e9cise les objets \u00e0 la surface de notre plan\u00e8te. \u00c0 cet \u00e9gard, lors de la production d\u2019une carte de la couverture du sol, la disponibilit\u00e9 d\u2019exemples d\u2019entrainement repr\u00e9sentatifs de chaque classe th\u00e9matique est cruciale pour le succ\u00e8s de la proc\u00e9dure de classification.<!--more--><\/p>\n<p>Cependant, dans des applications concr\u00e8tes, en raison de plusieurs contraintes dans la collecte des \u00e9chantillons, les pixels \u00e9tiquet\u00e9s sont g\u00e9n\u00e9ralement rares. Lors de l\u2019analyse d\u2019une image pour laquelle ces exemples cl\u00e9s ne sont pas disponibles, une solution viable consiste \u00e0 recourir aux donn\u00e9es de terrain appartenant \u00e0 d\u2019autres images pr\u00e9c\u00e9demment acquises. Cette option est int\u00e9ressante, mais plusieurs facteurs tels que les conditions atmosph\u00e9riques, au sol et d\u2019acquisition peuvent entra\u00eener des diff\u00e9rences radiom\u00e9triques entre les images, emp\u00eachant partiellement le transfert des connaissances d\u2019une image \u00e0 l\u2019autre.<\/p>\n<p>L\u2019objectif de cette Th\u00e8se est de fournir aux analystes d\u2019images de t\u00e9l\u00e9d\u00e9tection des techniques de traitement appropri\u00e9es pour assurer la portabilit\u00e9 des mod\u00e8les de classification entre les diff\u00e9rentes images. Le but ultime est de cartographier l\u2019occupation du sol sur de grandes \u00e9tendues spatiales et temporelles \u00e0 partir d\u2019un minimum d\u2019informations au sol. Pour corriger, ou tout simplement quantifier les changements observ\u00e9s dans la distribution statistique des spectres des mat\u00e9riaux, nous \u00e9tudions quatre approches issues du champ d\u2019\u00e9tudes de l\u2019apprentissage automatique.<\/p>\n<p>Premi\u00e8rement, nous proposons une strat\u00e9gie pour \u00e9chantillonner intelligemment l\u2019image \u00e0 classifier afin d\u2019acqu\u00e9rir les \u00e9tiquettes th\u00e9matiques en correspondance que des pixels les plus utiles. Cette routine it\u00e9rative est bas\u00e9e sur une \u00e9valuation constante de la pertinence pour la nouvelle image des donn\u00e9es d\u2019entrainement initiales appartenant \u00e0 une image diff\u00e9rente.<\/p>\n<p>Dans un deuxi\u00e8me temps, nous pr\u00e9sentons une approche pour r\u00e9duire les diff\u00e9rences radiom\u00e9triques entre les images en projetant les pixels respectifs dans un nouvel espace de donn\u00e9es commun. Des m\u00e9thodes \u00e0 noyaux pour la r\u00e9duction de dimensionnalit\u00e9 adapt\u00e9es pour de tels probl\u00e8mes sont analys\u00e9es. Il est montr\u00e9 qu\u2019apr\u00e8s cette normalisation relative, les<br \/>\ncapacit\u00e9s de g\u00e9n\u00e9ralisation entre images d\u2019un classificateur sont fortement augment\u00e9es.<\/p>\n<p>Ensuite, nous testons une r\u00e9cente mesure non-param\u00e9trique de distance entre distributions de probabilit\u00e9 pour \u00e9valuer les distorsions caus\u00e9es par des diff\u00e9rences dans la g\u00e9om\u00e9trie d\u2019acquisition affectant des s\u00e9ries d\u2019images multi-angulaires. En outre, la portabilit\u00e9 des mod\u00e8les de classification \u00e0 travers les s\u00e9quences est aussi mesur\u00e9e. Dans ces deux exercices, nous discutons l\u2019efficacit\u00e9 des m\u00e9thodes classiques de normalisation \u00e0 base statistique et physique.<\/p>\n<p>Enfin, nous explorons une nouvelle famille d\u2019approches fond\u00e9es sur les repr\u00e9sentations parcimonieuses des \u00e9chantillons afin de convertir r\u00e9ciproquement l\u2019espace de donn\u00e9es de deux images. La fonction de projection joignant les images permet de synth\u00e9tiser de nouveaux pixels avec des caract\u00e9ristiques plus proches qui faciliteront finalement la cartographie de l\u2019occupation du sol entre des images diff\u00e9rentes.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Th\u00e8se soutenue le 26 septembre 2014 par Giona Matasci, Institut des dynamiques de la surface terrestre Parmi les types de mesures par t\u00e9l\u00e9d\u00e9tection, les images optiques sont certainement l\u2019une des sources de donn\u00e9es les plus largement utilis\u00e9es pour l\u2019observation de la Terre. Elles fournissent des informations d\u00e9taill\u00e9es concernant le rayonnement \u00e9lectromagn\u00e9tique r\u00e9fl\u00e9chi ou \u00e9mis par [&hellip;]<\/p>\n","protected":false},"author":47,"featured_media":3358,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[49465],"tags":[],"class_list":{"0":"post-1328","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-theses-soutenues"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/1328","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=1328"}],"version-history":[{"count":0,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/1328\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/3358"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=1328"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=1328"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=1328"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}