93
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.5 Traitement des données multi spectrales par le Deep Learning
En plus des algorithmes d’apprentissage automatique peu profond (RF et SVM), un
algorithme d'apprentissage profond (Deep learning) a été utilisé afin de traiter les images
Pléiades, Sentinel-2 et Alsat. Il s'agit de Convolutional Neural Network-CNN.
Dans le cadre de cette application de Deep Learning, nous avons utilisé un modèle de CNN
et développé une nouvelle combinaison du CNN avec l’approche OBIA. L'objectif de cette
dernière est de proposer une méthode d'extraction du trait de côte qui incorpore la robustesse
de l’approche reposant sur l'objet de l’image dans un modèle de Deep Learning. Par
conséquent, l’architecture développée du CNN est assez simple et flexible.
V.5.1 Création du modèle CNN
L’architecture du CNN est une structure en une série de couches de convolution et de maxpooling. Une image Pléiades est en entrée du modèle de CNN, découpée en sous-régions ou
tuiles ; et analysée par un noyau de convolution d’une taille 3*3. L’analyse des caractéristiques
de l’image par ce noyau est une opération de filtrage avec une association de poids à chaque
pixel pour produire une carte de caractéristiques (features-map). Ces dernières représentent des
caractéristiques très particulières utilisées pour déterminer les classes : eau, sable sec, sable
Figure V.15: Extraction et lissage du trait de côte.