- Site officiel

Lynda Khiali

Fouille de données à partie de séries temporelles d'images satellitaires.

Thésard : Lynda Khiali
Contact - Lieu d'accueil : Maison de la Télédétection - 500 rue Jean-François Breton, 34093 Montpellier Cedex 5, France
Tél. : 33 (0)4 67 54 86 28
Organisme d'accueil : Irstea
Directeur(trice) de thèse : Maguelonne Teisseire (Irstea)
Encadrement à Tetis : Dino Ienco (Irstea)
Axe(s) Tetis concerné(s) : SISO
Contexte/Cadre du thésard : Programme AVEROES
Début - Fin : 09/2015 - 09/2018
Résumé : L’analyse automatique d’images satellitaires permet d’explorer les territoires pour suivre et comprendre les dynamiques présentes dans ces régions. Cette analyse ne cible plus le pixel mais plutôt les objets. Ainsi les images sont d’abord segmentées. La segmentation est un processus qui regroupe les pixels selon des critères d’homogénéité, afin de pouvoir identifier des entités qui correspondent le plus possible à la réalité. L’étape suivante est la classification qui permet de labéliser les objets pour produire une cartographie qui se rapproche le plus de la vérité terrain. L’objectif de cette thèse est d’améliorer les techniques de Classification Orientée Objets (COO). En effet, le processus de classification se déroule en deux étapes : l’étape d’apprentissage ou de construction du modèle et l’étape de classification qui exploite le modèle construit sur les données d’apprentissage. Les données d’apprentissage consistent en un ensemble d’objets pré-étiquetés par l’expert.
L’objectif est d’exploiter des techniques d’apprentissage actives qui, contrairement aux méthodes aléatoires, se basent sur des heuristiques pour une sélection plus efficace de ces jeux. Ce qui permettra de réduire l’effort demandé à l’expert et d’améliorer la performance des algorithmes de classification. Aussi, le processus de classification suit l’hypothèse i.i.d (independently and identically distributed) qui considère chaque objet de façon indépendante. Or, la dimension spatiale de l’image permet d’intégrer les informations du voisinage, ce qui peut améliorer les résultats de la classification.
Une autre dimension à considérer est temporelle. En effet, les méthodes de classification orientée objets considèrent une image à un moment donné et il devient important de s’appuyer sur les évolutions temporelles afin d’identifier des modèle de comportement d’objets.  Plus d'information : Résumé

 

Mots-clés : fouille des données, apprentissage automatique, information spatiale.