Analysez une photo aérienne (comme ci-dessus). Vous serez capable d'y différencier plusieurs éléments en un clin d'oeil. Bâtiments, routes, arbres et rivières sont également très vite reconnaissables au premier regard. Cela s’explique par le fait que notre cerveau associe certaines formes, tailles et couleurs à ces éléments. Nous savons ainsi qu'un petit rectangle coloré sur une route correspond probablement à une voiture. Et que les bâtiments se distinguent à leurs contours nets.

Notre compréhension du contexte nous permet également d'affiner notre évaluation : Un petit rectangle coloré sur une pelouse n'est probablement pas une voiture car nous savons que les voitures ne roulent pas généralement sur le gazon.

"En observant une photo aérienne, vous y distinguez aussitôt des dizaines d'éléments"

Transmettre l'intelligence

Nos yeux peuvent nous permettre de déduire nombre d'informations utiles à partir de photos : la densité du réseau routier, le type de végétation, le type de couverture des toits, les emplacements des panneaux solaires... En comparant des photos, nous pouvons en outre identifier des différences dans le temps telles que le déboisement, l'urbanisation et l'émergence des énergies renouvelables.

Toutefois, nous oublions facilement que des tâches de ce genre qui nous paraissent si naturelles (la reconnaissance d'objets sur les photos aériennes) requièrent une intelligence affûtée et beaucoup d'expérience. Est-il possible d'enseigner les mêmes compétences et capacités de déduction aux ordinateurs ? La réponse est affirmative - sans l'ombre d'un doute.

Percée de la vision assistée par ordinateur

L'aide des ordinateurs est plus que bienvenue quand il s'agit d'analyser de vastes territoires. D'un point de vue humain, la masse de travail devient trop volumineuse. Or, de ce point de vue-là, les développements techniques récents dans le domaine de la vision assistée par ordinateur s'avèrent très prometteurs. Cela tient au fait que les 3 conditions qui suivent fonctionnent de façon complémentaire :

1. Nous disposons de suffisamment de données d'observation terrestre, c'est à dire des images satellitaires et aériennes mais aussi des images de type mobile mapping.
2. Des algorithmes innovants capables de mieux interpréter les images sur base de réseaux neuronaux (cfr ci-dessous)
3. Des processeurs graphiques puissants (GPU) qui permettent d'effectuer des calculs simultanés sur de grands volumes de données visuelles

"La vision assistée par ordinateur nous permet d'apprendre à nos machines à regarder le monde au travers de notre propre vision humaine"

Et il y a surtout le développement rapide de l'IA ainsi que de ses sous-domaines que sont l'apprentissage automatique et le deep learning qui ouvrent la voie à une analyse d'éléments visuels à grande échelle. C'est ainsi qu'il existe à l'heure actuelle des algorithmes qui imitent parfaitement le fonctionnement de la faculté visuelle de notre cerveau.

CNN comme composant secret

Un type d'algorithme bien particulier joue un rôle essentiel dans le développement de la vision assistée par ordinateur : Les réseaux neuronaux convolutifs  (CNN).  Comment fonctionnent ces réseaux neuronaux convolutifs ? Un CNN superpose différents filtres sur une image numérique. Chaque filtre ou couche de neurones extrait ainsi l'information désirée d'une image et la transmet à la couche suivante de neurones. Autrement dit : chaque étape est étroitement corrélée à l'étape précédente et présente un certain nombre de transformations (dites 'convolutions') qui rendent une image toujours plus abstraite jusqu'à ce que l'ordinateur fasse la synthèse de ce que l'on peut y voir exactement.

Figure credit: Jonas Kubilius

Un exemple simple : Un ordinateur peut reconnaître un chat en catégorisant les pixels et blocs de construction d'une photo (lignes droites et courbes par exemple) en différentes phases. 

Ce qui est également appréciable, c'est que ces algorithmes gagnent sans cesse en 'intelligence'. À partir de données d'entraînement, il est en effet possible de leur apprendre à détecter plus vite les éléments principaux d'une image.

De la détection d'objets à la segmentation d'objets

La solution pour de nombreux défis actuels en matière de vision assistée par ordinateur réside dans les architectures de deep learning qui s'appuient de différentes manières sur les réseaux neuronaux convolutifs. Prenons par exemple les 4 applications suivantes :

• La classification - Quel type d'objets figure sur cette photo ?
• La détection d'objets - Quels objets se trouvent à quels endroits sur l'image ? Nous obtenons une réponse à cette question en cernant de petites cases l'objet à détecter. Nous pouvons  recourir à ce système pour détecter par exemple des panneaux solaires sur une image.
• La segmentation sémantique - La répartition d'une image en plusieurs zones aux caractéristiques similaires. Autrement dit et pour prendre un exemple : la classification des pixels en 'routes',  'bâtiments' ou 'végétation'. 
• Segmentation d'objets - Là où la segmentation sémantique réduit plusieurs objets de la même 'catégorie' à une seule catégorie, la segmentation d'objets traite ces objets similaires en tant qu'entités distinctes.  C'est utile pour distinguer par exemple différentes voitures ou différents bâtiments.

Une plus-value pour la géolocalisation

La vision assistée par ordinateur fondée sur l'IA est utilisée en géolocalisation pour distinguer où se trouvent notamment les arbres, routes et bâtiments sur une image satellitaire ou aérienne. Si vous demandez par exemple d’identifier que les bâtiments sur une photo, un algorithme entraîné à cette fin exécutera cette tâche sans problème. En comparant plusieurs images, l'ordinateur peut en outre observer les différences au fil du temps aussi bien que nous le ferions nous-mêmes.

Intégrer les nouvelles technologies

Pour notre part, nous recourons surtout à la vision assistée par ordinateur pour étoffer Belmap qui est notre base de données en 3D des bâtiments et adresses. C'est ainsi que nous répertorions notamment l'âge des bâtiments et la présence de panneaux solaires ou de piscines.

Les algorithmes d'apprentissage automatique permettent aussi de répondre à des questions sur mesure. Cela nous permet de mieux exploiter les données pour nos clients tout en automatisant les tâches chronophages. Les nouvelles technologies telles que l'IA, l' apprentissage automatique et le deep learning font désormais partie intégrante de notre environnement. Aussi, pourquoi ne pas prendre le train en marche ?

Steven Smolders
Technology Director chez GIM
steven.smolders@gim.be

Curieux de savoir comment l'IA peut enrichier vos géodonnées ?

Regardez notre webinaire gratuit : "L’Intelligence Artificielle pour le traitement des données géo."

Vous désirez découvrir à votre tour l'IA ?

Prenez contact sans engagement