+33 1 85 800 801 contact@namr.com

Parmi les sujets que namR a pu traiter ces dernières années se trouve la classification des équipements présents sur les toits, ou encore des types et matériaux de toits à partir d’imagerie aérienne.

Ce sujet est crucial dans le ciblage et le développement des travaux de rénovation énergétique car ceux-ci dépendent directement des types et matériaux de toits. Pour détecter automatiquement ces caractéristiques, namR a développé un algorithme précis à plus de 87 %, construit à partir d’un modèle pré-entraîné sur la base ImageNet ILSVRC (base d’images de la vie quotidienne, très variées et ressemblant peu aux images aériennes). 

Afin de créer des modèles encore plus performants, de nombreux sujets de recherche récents ont abouti à des techniques dites d’apprentissage auto-supervisé. Avec notre partenaire le laboratoire de l’ENS Centre Borelli, nous avons réalisé des travaux d’adaptation de ces méthodes aux données de namR, qui ont mené à une publication lors de la conférence IGARSS (International Geoscience and Remote Sensing Symposium, ou Symposium international sur les géosciences et la télédétection).

L’apprentissage auto-supervisé est un ensemble de méthodes permettant de mobiliser des images non annotées pour aider un modèle de deep learning à pré-apprendre à trouver des caractéristiques dans les images dans le but de tâches variées. Pour simplifier, les modèles sont entraînés à comprendre les invariances dans les images, sans en connaître la classification à priori, ce qui leur permet d’utiliser ces représentations pour les tâches supervisées (utilisant des données annotées) ensuite. Les tâches prétextes sont par exemple l’entraînement du modèle à repérer des similarités entre images ou à remplir des parties masquées dans celles-ci. Ces tâches pouvant se faire sans annotations préalables, elles permettent de mettre à profit l’immense quantité d’images disponibles, sans représenter un coût de labellisation prohibitif.

Pour lire l’intégralité de l’article technique, rendez-vous sur Medium !