91
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.4.3.1 Random Forest (RF)
Le Random Forest (RF) (Breiman, 2001) est considéré comme très « convivial » dans la
mesure où il ne comporte que deux paramètres : le nombre de variables dans le sous-ensemble
aléatoire à chaque nœud (Mtry) et le nombre d'arbres dans la forêt (Ntree). Ntree a peu
d'influence sur l'OA de la classification, surtout lorsqu'il est supérieur à 500 (Breiman, 2001;
Du et al., 2015). Cependant, on pense que le Mtry a une influence assez notable sur les
performances de la RF (Breiman, 2001).
L'étape d’entrainement a été exécutée sur OTB pour le RF dans le cadre d'une classification
basée sur les pixels (RF-Pix), tandis que le logiciel eCognition a été utilisé pour le RF pour
l’approche OBIA (RF-Obj). Pour cette dernière, les objets de l'image, produits à partir de la
segmentation, ont été assignés à des classes avec l'algorithme "Assign class by thematic layer".
La couche thématique, dans ce cas, était les objets échantillons d’apprentissage.
Les paramètres RF-Pix et RF-Obj ont été configurés avec une valeur par défaut de Ntry
(500 arbres), tandis que le paramètre Mtry a été fixé après le processus de validation croisée.
V.4.3.2 Support Vector Machine (SVM)
Le Support Vector Machine (SVM) est basé sur une séparation optimale des hyperplans
entre les classes à l'aide d'un ensemble de données d’apprentissage, appelé support vectoriel,
qui se trouve aux limites des descripteurs de classe (Tzotsos et Argialas, 2008). Pour des raisons
pratiques, dans cette étude, la méthode "un contre un" dans le SVM a été choisie pour la
classification des pixels (SVM-Pix) et des objets (SVM-Obj).
L'entraînement du SVM-Pix a été effectué sur OTB à l'aide de la bibliothèque de
programmation LibSVM développée par Chang et Lin, (2011), tandis que l’entrainement de
SVM-Obj a été réalisé sur eCognition.
Parmi les fonctions de noyaux mathématiques disponibles (noyau linéaire, polynomial,
fonction de base radiale et sigmoïde), c’est le noyau linéaire qui a été appliqué. Ce noyau est
un cas particulier du noyau à fonction radiale de base (Radial Base Fonction-RBF), avec la
même performance d'un paramètre de pénalité Č de RBF en d’autres paramètres (C, γ) (ChihWei Hsu et Chih-Jen Lin, 2002).
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.4.3.1 Random Forest (RF)
Le Random Forest (RF) (Breiman, 2001) est considéré comme très « convivial » dans la
mesure où il ne comporte que deux paramètres : le nombre de variables dans le sous-ensemble
aléatoire à chaque nœud (Mtry) et le nombre d'arbres dans la forêt (Ntree). Ntree a peu
d'influence sur l'OA de la classification, surtout lorsqu'il est supérieur à 500 (Breiman, 2001;
Du et al., 2015). Cependant, on pense que le Mtry a une influence assez notable sur les
performances de la RF (Breiman, 2001).
L'étape d’entrainement a été exécutée sur OTB pour le RF dans le cadre d'une classification
basée sur les pixels (RF-Pix), tandis que le logiciel eCognition a été utilisé pour le RF pour
l’approche OBIA (RF-Obj). Pour cette dernière, les objets de l'image, produits à partir de la
segmentation, ont été assignés à des classes avec l'algorithme "Assign class by thematic layer".
La couche thématique, dans ce cas, était les objets échantillons d’apprentissage.
Les paramètres RF-Pix et RF-Obj ont été configurés avec une valeur par défaut de Ntry
(500 arbres), tandis que le paramètre Mtry a été fixé après le processus de validation croisée.
V.4.3.2 Support Vector Machine (SVM)
Le Support Vector Machine (SVM) est basé sur une séparation optimale des hyperplans
entre les classes à l'aide d'un ensemble de données d’apprentissage, appelé support vectoriel,
qui se trouve aux limites des descripteurs de classe (Tzotsos et Argialas, 2008). Pour des raisons
pratiques, dans cette étude, la méthode "un contre un" dans le SVM a été choisie pour la
classification des pixels (SVM-Pix) et des objets (SVM-Obj).
L'entraînement du SVM-Pix a été effectué sur OTB à l'aide de la bibliothèque de
programmation LibSVM développée par Chang et Lin, (2011), tandis que l’entrainement de
SVM-Obj a été réalisé sur eCognition.
Parmi les fonctions de noyaux mathématiques disponibles (noyau linéaire, polynomial,
fonction de base radiale et sigmoïde), c’est le noyau linéaire qui a été appliqué. Ce noyau est
un cas particulier du noyau à fonction radiale de base (Radial Base Fonction-RBF), avec la
même performance d'un paramètre de pénalité Č de RBF en d’autres paramètres (C, γ) (ChihWei Hsu et Chih-Jen Lin, 2002).