Partie I
Chapitre III : Méthodes de traitement des données de télédétection
47
Les différentes couches jouent des rôles différents. Un exemple de CNN est illustré dans
la figure III.7. Dans les couches de convolution, les images d'entrée sont ‘’convolutionées’’
avec des noyaux d’apprentissage et sont ensuite soumises à la fonction d'activation pour former
les cartes de caractéristiques de sortie (Feature-maps). Chaque unité de ces feature-maps est
connectée aux patches locaux dans les feature-maps de la couche précédente par les matrices
de poids partagées qui sont appelées filter-bank.
Dans une couche convolution, les feature-maps sont convolutées avec un ensemble K
noyaux 𝑊 = {𝑊 1 , 𝑊 2 , … , 𝑊 𝐾 } et les biaises 𝛾 = {𝑏 1 , 𝑏 2 , … , 𝑏 𝑘 } et k dimensions de noyau. Le
feature-map de couche (𝑙) est calculé par une opération convolutive ⨂:
𝑋 𝑘
(𝑙) = 𝑓(𝑊 𝑘
(𝑙−1) ⨂ 𝑋
(𝑙−1) + 𝑏 𝑘
(𝑙−1) )
(III.8)
Le rôle de pool-layer est la fusion des caractéristiques dans une fenêtre nx nx 1 pixel. Après
une couche de pool-layer, les dimensions des feature-maps sont réduites avec une conservation
de ses caractéristiques.
Figure III.7: Architecture simple du modèle de CNN (eCognition Developer, 2018, adaptée)
III.3 Approche d’Analyse d’Image Orientée Objet (OBIA)
Les approches traditionnelles de classification d’images d’OT sont essentiellement basées
sur l’unité fondamentale de l’image qui est le pixel. L’approche basée sur le pixel ne prend pas
en compte les structures spatiales des images. Raison pour laquelle on affirme qu’elle n’est pas
adaptée à l’analyse des images de très hautes résolutions.