Partie I
Chapitre III : Méthodes de traitement des données de télédétection
40
III.1.2 Classification supervisée
Contrairement aux méthodes non-supervisées, le processus de la classification supervisée
nécessite une entrée de base ou un ensemble de données annotées de classes connues. C'est un
ensemble de données associé un label ou une classe cible pour que l'algorithme de
classification, une fois entraîné, soit capable de prédire cette cible sur de nouvelles données
non annotées.
L’ensemble de données représentant les classes est appelé échantillons d’apprentissage ou
d’entrainement (Learning). Ces échantillons constituent le modèle issu des algorithmes
d’apprentissage automatique (Machine Learning) et jouent un rôle important dans la pertinence
des résultats de la classification supervisée.
III.2.1 Échantillons d’apprentissage automatique
Les échantillons d’apprentissage sont un ensemble de données annoté ou associé à
un label d’une classe cible nécessaire dans un processus de classification supervisée. Cet
ensemble entraine l'algorithme de classification pour le rendre capable de prédire des classes
dans une image donnée.
De parts leurs importances déterminantes, plusieurs études se sont intéressées aux choix
des échantillons d’apprentissage. Foody et Mathur, 2004 ont montré que, la qualité des résultats
des algorithmes de classification augmente avec la taille de l’ensemble d’apprentissage. Ainsi,
la taille et le nombre des échantillons par classe et la distribution des échantillons sur
l’ensemble de l’image sont des paramètres importants lors de la sélection. Cette distribution
est un paramètre qui doit être déterminé en fonction de l’algorithme de classification utilisé
(Foody et Mathur, 2004) .
III.2 Machine Learning (Apprentissage automatique)
Dans le domaine de l’informatique, l’apprentissage automatique, ou le Machine Learning,
fait partie de l’intelligence artificielle pilotée par les données (figure III.1). Le Deep Learning,
c’est une approche de Machine Learning basée sur des réseaux de neurones suivant une
séquence de plusieurs niveaux d’abstraction appelés « couches », d'où son nom apprentissage
en profondeur.
Chapitre III : Méthodes de traitement des données de télédétection
40
III.1.2 Classification supervisée
Contrairement aux méthodes non-supervisées, le processus de la classification supervisée
nécessite une entrée de base ou un ensemble de données annotées de classes connues. C'est un
ensemble de données associé un label ou une classe cible pour que l'algorithme de
classification, une fois entraîné, soit capable de prédire cette cible sur de nouvelles données
non annotées.
L’ensemble de données représentant les classes est appelé échantillons d’apprentissage ou
d’entrainement (Learning). Ces échantillons constituent le modèle issu des algorithmes
d’apprentissage automatique (Machine Learning) et jouent un rôle important dans la pertinence
des résultats de la classification supervisée.
III.2.1 Échantillons d’apprentissage automatique
Les échantillons d’apprentissage sont un ensemble de données annoté ou associé à
un label d’une classe cible nécessaire dans un processus de classification supervisée. Cet
ensemble entraine l'algorithme de classification pour le rendre capable de prédire des classes
dans une image donnée.
De parts leurs importances déterminantes, plusieurs études se sont intéressées aux choix
des échantillons d’apprentissage. Foody et Mathur, 2004 ont montré que, la qualité des résultats
des algorithmes de classification augmente avec la taille de l’ensemble d’apprentissage. Ainsi,
la taille et le nombre des échantillons par classe et la distribution des échantillons sur
l’ensemble de l’image sont des paramètres importants lors de la sélection. Cette distribution
est un paramètre qui doit être déterminé en fonction de l’algorithme de classification utilisé
(Foody et Mathur, 2004) .
III.2 Machine Learning (Apprentissage automatique)
Dans le domaine de l’informatique, l’apprentissage automatique, ou le Machine Learning,
fait partie de l’intelligence artificielle pilotée par les données (figure III.1). Le Deep Learning,
c’est une approche de Machine Learning basée sur des réseaux de neurones suivant une
séquence de plusieurs niveaux d’abstraction appelés « couches », d'où son nom apprentissage
en profondeur.