Ces dernières années, l’apprentissage profond (deep learning) a révolutionné le domaine du traitement automatique des données dans de nombreux secteurs, avec des résultats à l’état de l’art, et des approches adaptées à l’exploitation de très gros volumes de données.

Aujourd’hui, la télédétection entre dans une ère nouvelle avec l’apprentissage profond. Ces nouvelles techniques permettent enfin d’exploiter efficacement la pléthore d’images satellitaires délivrées quotidiennement et toutes les données géospatiales en libre accès issues des politiques d’ouverture des données. Cependant, comme bien souvent lors d’une avancée méthodologique récente, des outils pédagogiques nécessaires pour exploiter cette ressource ne sont pas encore disponibles pour la communauté des télédétecteurs. Deep Learning for Remote Sensing Images with Open Source Software est le premier ouvrage pratique à présenter les techniques d’apprentissage profond, uniquement avec des outils open-source, adapté au traitement des images de télédétection du monde réel. Les approches détaillées dans cet ouvrage sont génériques et peuvent être adaptées à de nombreuses applications différentes de traitement d’images de télédétection, comme la cartographie de la couverture terrestre, ou la restauration d’images.

Rédigé à l’attention des praticiens et des étudiants, ce livre permet de faire le lien entre la théorie et l’utilisation pratique des outils sur les données géospatiales de tous les jours, pour appliquer les techniques d’apprentissage profond.

A qui s’adresse ce livre ?

Ce livre s’adresse aux utilisateurs des images satellitaires qui souhaitent apprendre à exploiter l’apprentissage profond pour traiter leurs images : étudiants, enseignants et praticiens en télédétection. L’ouvrage présente un ensemble de travaux pratiques se focalisant sur l’emploi des techniques d’apprentissage profond dans des applications typiques (occupation du sol et restauration d’image). Chaque chapitre comporte une présentation théorique des concepts mis en œuvre, suivie d’une mise en pratique permettant au lecteur d’exécuter pas à pas les étapes clefs, le tout uniquement avec des outils open-source et des données en libre accès.

Qu’apporte le deep learning à la télédétection?

Le deep learning est un ensemble de techniques de machine learning qui permet d’entraîner des réseaux de neurones artificiels à accomplir des taches spécifiques. En général, on dispose de données permettant de guider l’apprentissage des réseaux : celui-ci consiste à optimiser les réseaux pour qu’ils génèrent une donnée en sortie correspondant à ce qui est attendu. Ces techniques permettent ainsi de répondre à un spectre très large d’applications : classification d’images, détection d’objets, restauration d’images, etc. Par exemple, on peut entraîner un réseau à classifier tous les pixels d’une image satellitaire avec une nomenclature spécifique, en lui présentant des images satellitaires associées à des données de vérité terrain. Le deep learning possède de multiples avantages comparé aux approches classiques en terme de versatilité, de performance, et de passage à l’échelle. Étant donné la volumétrie de données géospatiales délivrées quotidiennement, le domaine de l’observation de la terre entre dans une ère nouvelle, pleine de perspectives.

Pourquoi l’open-source?

De nombreux secteurs comme l’industrie, la recherche, ou l’enseignement, apprécient l’open-source pour diverses raisons. Pour la recherche, l’open-source est un véritable « accélérateur de progrès »  offrant la possibilité aux développeurs d’utiliser, de modifier, de contribuer à, de reviewer des codes sources tiers. Au cours des dernières années, la communauté open-source en géosciences s’est ainsi fédérée autour de projets emblématiques, qui sont profondément ancrés aujourd’hui dans l’écosystème logiciel en télédétection et en géomatique. Même constat du côté de la communauté en apprentissage machine : les grandes librairies spécialisées en intelligence artificielle, pour la plupart des initiatives des géants de la tech, sont open-source et capitalisent chaque jour sur les contributions de développeurs situés aux quatre coins du monde. L’open-source délivre des outils performants, transparents, améliorés en continu, et qui fédèrent une communauté propice à l’entraide. Et enfin, ils sont gratuits !

Au Sommaire :

Préface
Author
I. Backgrounds
II. Patch-based classification
III. Semantic segmentation
IV. Image restauration
Bibliography
Index

A propos de l’auteur :

Rémi Cresson est diplômé de l’École Nationale Supérieure de l’Énergie, de l’Eau et de l’Environnement. Il est actuellement ingénieur de recherche à l’institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE), au sein de l’Unité Mixte de Recherche  pour les Territoires et l’Environnement par la Télédétection et l’Information Spatiale (UMR TETIS, Maison de la télédétection, Montpellier). En tant que spécialiste en traitement d’image, ses domaines de recherche et d’ingénierie incluent le traitement d’images géospatiales large échelle, le calcul haute performance, l’apprentissage machine et l’interopérabilité des données géospatiales. Il est impliqué dans le développement de logiciels open source, comme l’Orféo ToolBox, et membre de la Fondation Open Source Geospatial (OSGeo).

Deep Learning for Remote Sensing Images with Open Source Software
Rémi Cresson
24 cm x 16 cm
151 pages
ISBN 9 780367 858483
Juillet 2020
£ 59.99
CRC Press