Adaptation des architectures ADDA et semi-ADDA pour la détection d'objets par apprentissage profond sur les images satellites THR

La détection d’objets est une tâche fondamentale en vision par ordinateur ayant pour but d’identifier et de localiser différentes catégories d’objets dans une image selon une taxonomie prédéfinie. Entraînées par l’émergence des réseaux de neurones convolutifs (CNNs, convolutional neural networks), de nombreuses approches de détection d’objets basées sur les CNNs ont été proposées dans les dernières années améliorant considérablement les performances obtenues par les algorithmes traditionnels. Or, bien que les CNNs obtiennent généralement de très bonnes performances sur cette tâche, de récentes publications soulignent leurs lacunes de généralisation lorsqu’appliqués à de nouvelles régions géographiques jamais ou très peu vues lors de l’entraînement. En pratique, il serait intéressant que les modèles puissent être étendus à de nouvelles régions géographiques où il n’existe pas nécessairement de données d’entraînement. Le champ de recherche essayant de résoudre ce problème est celui de l’adaptation de domaine (DA, domain adaptation). Une nouvelle méthode de DA basée sur l’apprentissage adverserielle nommée Adversarial Discriminative Domain Adaptation (ADDA) s’est récemment démarquée en surpassant les autres méthodes de DA sur des tâches d’adaptation de domaine entre les jeux de données de classification de caractères écrits MNIST, USPS et SVHN. Peu longtemps après, une légère modification fut proposée (semi-ADDA) pour rendre le processus semi-supervisé. Cependant, bien que les performances atteintes par ADDA et semi-ADDA soient supérieures à celles des autres méthodes de DA, la tâche visée par ces architectures en est une de classification. Or, en télédétection, on retrouve généralement beaucoup plus d’un objet par image. Il devient donc nécessaire d’adapter les approches de DA afin de permettre l’extraction de plusieurs objets au sein d’une image, soit par détection d’objets ou par segmentation. Lors de la revue de littérature effectuée dans le cadre de ce projet (automne 2018), très peu de travaux s’étaient concentrés sur l’adaptation de domaine appliquée aux autres tâches de vision par ordinateur. Dans le cadre du présent projet, une modification des architectures ADDA et semi-ADDA est proposée afin de passer d’une tâche de classification vers une tâche de détection d’objets, et ce en remplaçant l’architecture de classification de ADDA et semiADDA par une architecture de détection d’objets, à savoir Faster R-CNN. L’adaptation de domaine est effectuée pour 2 classes en concordance entre les taxonomies des jeux de données xView et GeoImageNet, où xView est le domaine source et GeoImageNet le domaine cible. Les images de ces jeux de données ne proviennent ni du même territoire, ni du même capteur, ce qui constitue une tâche complexe de DA. À titre comparatif, 4 approches différentes sont considérées, soit aucune adaptation de domaine, ADDA, semi-ADDA et un fine-tuning conventionnel. Les résultats sont comparés sur un ensemble de test composé de 60 images annotées provenant du domaine cible, GeoImageNet. Les résultats montrent l’efficacité de ADDA et semi-ADDA même lorsqu’étendu à la détection d’objets, et ce avec un passage de 64,2 % de mean Average Precision (mAP) sans adaptation de domaine à 87,2 % après ADDA et 95,5 % après semi-ADDA. Le fine-tuning obtient pour sa part un mAP de 89,5 %.

Name thesis:degree_name

M. Sc.

Level thesis:degree_level

Maîtrise

Discipline thesis:degree_discipline

Géomatique appliquée

Grantor dc:publisher

Université de Sherbrooke

Year dc:date.issued

2022

Author dc:creator

• Lauzier-Hudon, Etienne

Advisors dc:contributor.advisor

• Bouroubi, Yacine
• Sabo, Nouri
• Foucher, Samuel

• Apprentissage profond
• Adaptation de domaine
• Détection d’objets
• ADDA
• Semi-ADDA
• Télédétection
• xView
• GeoImageNet

Language dc:language.iso

fr

Handle dc:identifier.uri

http://hdl.handle.net/11143/19168

OAI identifier oai:identifier

oai:usherbrooke.scholaris.ca:11143/19168