94
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
humide végétations, etc. dans lesquelles chaque unité est connectée aux patches dans les
feature-maps de la couche précédente par les matrices de poids partagées.
L’ensemble des points échantillons d'apprentissage a été utilisé pour créer des patchs
échantillons sélectionnés parmi les pixels de l'image d’entrée. Pour choisir une taille
d'échantillon adéquate, nous avons pris en considération les dimensions des classes cibles (ex.
classe des lichens pour les côtes à falaises, classe de sable humide pour les côtes sablonneuses).
Par conséquent, plusieurs tailles d'échantillons ont été testées (16×16, 10×10, 8×8, 4×4).
Après un processus de validation croisée, l'architecture du CNN que nous avons conçue a
été alimentée par des patchs de taille d'échantillon de 4 × 4. Compte tenu de cette petite taille,
le nombre de couches cachées était de 2 (figures V.16 et V.17) avec une taille de noyau de
convolution de 3 × 3 et 1×1 respectivement. Une couche de max-pooling avec un noyau de 2
× 2 a été utilisée après la première couche de convolution. Le rôle du max-pooling est de
fusionner des caractéristiques sémantiquement similaires. Il s'agit d'une technique
d'échantillonnage descendant non linéaire qui utilise la valeur maximale de chaque cluster de
la couche précédente afin de réduire la perte d'informations dans les couches de convolution
suivantes.
En outre, une taille de patch de 50 et 5000 étapes d'entraînement ont permis d'obtenir de
bonnes performances. Un processus de validation croisée a révélé que le taux d'apprentissage
optimal est de 0,0006. Il est à noter qu’un taux d'apprentissage inadéquat peut soit augmenter
le temps du processus d'apprentissage (à un taux faible), ce qui pourrait bloquer le réseau dans
des minima locaux, soit le diminuer (à un taux élevé), mais le réseau pourrait ne pas atteindre
les minima. Par conséquent, dans ces deux cas de figure il est possible d'obtenir des poids
incorrects.
V.5.2 Création du modèle combiné CNN-OBIA
Dans ce présent travail, une nouvelle méthode de Deep Learning combinée aux approches
de classification des objets de l’image a été développée. Il s’agit d’une combinaison du modèle
de CNN et l’approche OBIA (figure V.16). Pour cela, nous avons utilisé le même modèle du
CNN précédemment décrit. Le résultat de ce modèle a été utilisé comme données d'entrée pour
la classification basée sur la connaissance appelée Geographic Based Image Analysis
(GEOBIA) qui se compose de deux étapes principales : a) la segmentation d'images, et b) la
classification (figure V.17).
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
humide végétations, etc. dans lesquelles chaque unité est connectée aux patches dans les
feature-maps de la couche précédente par les matrices de poids partagées.
L’ensemble des points échantillons d'apprentissage a été utilisé pour créer des patchs
échantillons sélectionnés parmi les pixels de l'image d’entrée. Pour choisir une taille
d'échantillon adéquate, nous avons pris en considération les dimensions des classes cibles (ex.
classe des lichens pour les côtes à falaises, classe de sable humide pour les côtes sablonneuses).
Par conséquent, plusieurs tailles d'échantillons ont été testées (16×16, 10×10, 8×8, 4×4).
Après un processus de validation croisée, l'architecture du CNN que nous avons conçue a
été alimentée par des patchs de taille d'échantillon de 4 × 4. Compte tenu de cette petite taille,
le nombre de couches cachées était de 2 (figures V.16 et V.17) avec une taille de noyau de
convolution de 3 × 3 et 1×1 respectivement. Une couche de max-pooling avec un noyau de 2
× 2 a été utilisée après la première couche de convolution. Le rôle du max-pooling est de
fusionner des caractéristiques sémantiquement similaires. Il s'agit d'une technique
d'échantillonnage descendant non linéaire qui utilise la valeur maximale de chaque cluster de
la couche précédente afin de réduire la perte d'informations dans les couches de convolution
suivantes.
En outre, une taille de patch de 50 et 5000 étapes d'entraînement ont permis d'obtenir de
bonnes performances. Un processus de validation croisée a révélé que le taux d'apprentissage
optimal est de 0,0006. Il est à noter qu’un taux d'apprentissage inadéquat peut soit augmenter
le temps du processus d'apprentissage (à un taux faible), ce qui pourrait bloquer le réseau dans
des minima locaux, soit le diminuer (à un taux élevé), mais le réseau pourrait ne pas atteindre
les minima. Par conséquent, dans ces deux cas de figure il est possible d'obtenir des poids
incorrects.
V.5.2 Création du modèle combiné CNN-OBIA
Dans ce présent travail, une nouvelle méthode de Deep Learning combinée aux approches
de classification des objets de l’image a été développée. Il s’agit d’une combinaison du modèle
de CNN et l’approche OBIA (figure V.16). Pour cela, nous avons utilisé le même modèle du
CNN précédemment décrit. Le résultat de ce modèle a été utilisé comme données d'entrée pour
la classification basée sur la connaissance appelée Geographic Based Image Analysis
(GEOBIA) qui se compose de deux étapes principales : a) la segmentation d'images, et b) la
classification (figure V.17).