Auteurs
E. Colin Koeniguer, G. Le Besnerais, A. Chan Hon Tong, B. Le Saux, A. Boulch, P. Trouvé, R. Caye Daudt, N. Audebert, G. Brigot, P. Godet, B. Le Teurnier, M. Carvalho, J. Castillo-Navarro (ONERA)
Cet article vise l’inventaire des progrès réalisés en télédétection grâce au développement récent de techniques d’apprentissage profond. Cette évaluation est réalisée au travers d’une présentation systématique des différentes activités entreprises à l’ONERA dans le domaine de la télédétection utilisant des méthodes d’apprentissage profond. Elle couvre une grande partie des problèmes d’observation : filtrage, détection d’objet, classification de l’utilisation de la terre, détection de changement et estimation de la biomasse. A la lumière de ces activités, nous mettons en lumière les défis pratiques de l’apprentissage profond, principalement la définition de caractéristiques physiques et la construction de bases de données d’apprentissage. Quelques directions pour la recherche future sont également données, comme par exemple le développement et l’utilisation de plateformes de télédétection dédiées, les stratégies hybrides mélangeant des apprentissages supervisé et non supervisé et l’exploitation supplémentaire de données multimodales ou multi temporelles.