Segmentation sémantique des images satellitaires par deep learning
Encadrants : Nédra Mellouli
Email : n.mellouli@iut.univ-paris8.fr
Disponible : OUI
Spécialité : image
Nombre d'étudiants : 1
Description : Actuellement la discontinuité des routes segmentées à partir d'images satellitaires est un grand frein dans le domaine de l'observation de la terre. En particulier, les nuages et les arbres sont les principaux objets responsables de la mauvaise qualité de la segmentation. Les recherches actuelles se focalisent alors sur le choix de l'architecture du réseau de neurones profonds alors que la qualité de la segmentation peut être liée au choix du loss-function en tenant compte de la taille des datasets (unbalanced data sets).
Pré-requis : Bases de traitement d'images, programmation en python, intérêt pour l'imagerie sattelitaire
Travail demandé : L'objectif dans ce projet est de comparer plusieurs loss-function avec quelques réseaux de neurones reconnus comme étant performants en segmentation tels que UNET[1], SegNET[2], ResNET[3], PSPNet[4], UNet++[5], MUNet++[6] et d'autres, si le temps du projet le permet. Les loss-function qui seront étudiées principalement sont :
1-cross entropy
2-focal loss
3-Dice loss
4-generilized Dice loss
Une nouvelle fonction peut être implémentée et comparée à l'ensemble des architectures et des loss-function de référence.
Liens complémentaires : [1]O. Ronneberger, P.Fischer, and T.Brox. Convolutional network for biomedical image segmentation. in MICCAI 2015. Pp 234-241.
[2]V.Badrinarayanan,A.Kendall and R.Cipolla. SegNet: a deep convolutional encoder-decoder architecture for image segmentation. In IEEEtrans on pattern analysis and Machine Intelligence, Vol 39, N°12, 2017. Pp2481-2495.
[3]G.Matyus, W.Luo and R.Urtasun. DeepRoadMapper: Extracting road topology from aerial images. IEEE Inter. Conference on computer vision, 2017. Pp3458-3466.
[4]H.Zaho,J.Shi,X.Qi,X.Wang and J.Jia. Pyramid scene parsing network. IEEE Conf on computer vision and pattern recognition, 2017. Pp6230-6239.
[5]Z.Zhou, M.M.Siddiquee, N?Tajbakhsh and J.Liang. UNET++: redesigning skip connections to exploit multiscale features in image segmentation. IEEE Trans. on Medical Imaging. Vol39,N°6, 2020. Pp1856-1867.
[6]W.Yuan, T.Zhou, Z.S.Xi and X.Y. Zhou. MUNET: a multiscale-branch adaptive deep learning network for remote sensing images semantic segmentation. Journal of Geomatics Science and Technology, 2020. Pp581-588.
