Les images satellites sont la principale source d’information pour la cartographie et sa mise à jour, la gestion du territoire et des ressources naturelles, le suivi environnemental, la planification urbaine, et bien d’autres applications à caractère économique, environnemental et social. L’évolution rapide des techniques d’apprentissage automatique depuis 2012 et en particulier les réseaux de neurones convolutifs profonds (CNN) ont permis d’atteindre des performances jamais obtenues auparavant en matière d’analyse d’images. Cependant, la majorité des modèles disponibles actuellement est issue du domaine de la vision par ordinateur. Leur extension aux images de télédétection pose plusieurs défis de recherche. L’adaptation des CNN à la nature et au contenu de ces images nécessite au minimum leur réentraînement sur des bases de données annotées, voire même le développement de nouvelles architectures mieux adaptées et plus performantes.

Le projet GeoImageNet présenté ici, débuté à l’automne 2018, est une initiative unique de collaboration entre des chercheurs en télédétection, des développeurs de plateformes numériques de recherche, des experts en intelligence artificielle et des professionnels de la valorisation des images satellitaires. Ce projet est né d’un partenariat entre le département de géomatique appliquée de l’Université de Sherbrooke, le Centre de recherche informatique de Montréal (CRIM), la compagnie Effigis Géo-Solutions et le Centre canadien de cartographie et d’observation de la Terre de Ressources naturelles Canada. La plateforme permet la création d’annotations et leur curation, la création de bases de données d’entraînement pour l’apprentissage profond et le test des modèles développés par les experts du domaine.