L'accès à des cartes précises et détaillées de l'occupation des sols (OS) est crucial pour de nombreuses applications telles que la surveillance de
l'environnement, la politique foncière et agricole, l'estimation de la population, la modélisation du climat urbain, etc. En télédétection, l'approche
combinant l'analyse d'image basée sur l'objet (OBIA) et les classificateurs supervisés traditionnels d'apprentissage automatique (ML) tels que Random
Forest (RF) ont été des techniques à la pointe de la littérature scientifique, pendant de nombreuses années, pour la cartographie détaillée de l'OS à
partir de données d'observation de la Terre à très haute résolution (VHRRS). Cependant, au cours de la dernière décennie, les approches
d'apprentissage profond (DL) et plus particulièrement les réseaux neuronaux convolutifs profonds (CNN) ont facilité une percée dans le domaine de la vision par
ordinateur (CV) en battant les approches ML traditionnelles. Les réseaux neuronaux convolutifs profonds ont également prouvé leur capacité à surpasser les
anciennes approches dans le domaine de la télédétection, et sont désormais à la pointe de l'état de l'art.
La plupart des développements
méthodologiques de pointe sur les CNN ont lieu dans le domaine de la CV et ont ensuite été appliqués aux caractéristiques spécifiques des images d'observation
de la Terre. Cependant, le transfert technologique du domaine de la CV à l'Observation de la Terre n'est pas simple et de nombreux défis existent encore.
L'objectif de ce projet est de fournir des solutions pour atténuer l'un des principaux problèmes rencontrés lors de l'application d'approches DL de
pointe sur les données VHRRS pour la cartographie de l'OS, à savoir, la difficulté d'accéder à une grande quantité de données d'entraînement
étiquetées.