| Titre : | Exploration des Geospatial Foundation Models : Elaboration d'une plateforme de one-shot learning pour la segmentation sémantique des images aériennes |
| Auteurs : | EL ABBADI Inasse, Auteur ; KAMAL Manal, Auteur ; HAJJI Hicham, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 91 |
| Langues: | Français |
| Mots-clés: | Geospatial Foundation Models ; segmentation sémantique ; segmentation d’instance ; one-shot learning ; SAM ; ViT ; images aériennes ; plateforme de segmentation. |
| Résumé : |
L'analyse de l’imagerie aérienne a longtemps reposé sur des techniques classiques, efficaces mais gourmandes en termes de données étiquetés et de ressources informatiques. Ces techniques ne pouvaient réaliser qu'une seule tâche spécifique. Récemment, l'émergence des modèles de fondation géospatiaux - Geospatial Foundation Models (GFM) - a marqué un tournant dans le domaine de la géomatique, réduisant considérablement le besoin en ressources et permettant une optimisation significative de l'utilisation de l'information géographique.
Notre projet de fin d'études s'inscrit dans un contexte d'exploration des modèles de fondation - Foundation Models (FM). Notre intention principale est de démocratiser l'utilisation de ces modèles puissants, notamment dans le secteur géospatial. Pour ce faire, nous avons élaboré une plateforme de segmentation sémantique par apprentissage en une seule fois (one-shot learning) des images aériennes, utilisant le modèle Segment Anything Model (SAM). Initialement conçu pour la segmentation d'instances, SAM a été adapté pour réaliser la segmentation sémantique grâce à l'intégration du modèle Vision Transformer (ViT). La plateforme que nous avons développée permet aux utilisateurs de télécharger leur image aérienne, de choisir l'élément qu'ils souhaitent segmenter, puis de recevoir le masque binaire de segmentation sémantique de cet élément, avec la possibilité de le télécharger. Les premiers tests montrent que notre adaptation de SAM a atteint un score F1 de 0.74, ce qui témoigne de l'impact potentiel des modèles GFMs dans l’optimisation de l'analyse des images aériennes. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/EL_ABBADI_KAMAL_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041282 | 10253 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
