Manon Nagy, Luca Istrate, Matei Simtinică, Sébastien Travadel et Philippe Blanc publient un article dans la revue internationale « Remote Sensing » intitulé « Automatic Detection of Marine Litter: A General Framework to Leverage Synthetic Data ».
Résumé : La couverture spatiale et temporelle des systèmes d’imagerie optique satellitaires est bien adaptée à la surveillance automatisée des déchets marins. Cependant, le développement d’algorithmes de détection et d’identification basés sur l’apprentissage automatique nécessite de grandes quantités de données. En effet, en ce qui concerne les débris marins, les données validées au sol sont rares. Dans cette étude, nous proposons une méthodologie générale qui exploite des données synthétiques afin d’éviter le sur-ajustement et généralise bien. L’idée est d’utiliser des modèles réalistes d’acquisition d’images optiques spatiales et de déchets marins pour générer de grandes quantités de données afin de former les algorithmes d’apprentissage automatique. Celles-ci peuvent ensuite être utilisées pour détecter automatiquement la pollution marine sur de vraies images satellites. La principale contribution de notre étude est de montrer que les algorithmes entraînés sur des données simulées peuvent être transférés avec succès à des situations réelles. Nous présentons les composants généraux de notre cadre, notre modélisation des satellites et des débris marins et une implémentation de preuve de concept pour la détection de macro-plastiques avec des images Sentinel-2. Dans cette étude de cas, nous avons généré un grand ensemble de données (plus de 16 000 pixels de débris marins) composé d’eau de mer, de plastique et de bois et avons formé un classificateur Random Forest dessus. Ce classificateur, lorsqu’il est testé sur de vraies images satellites, discrimine avec succès les déchets marins de l’eau de mer, prouvant ainsi l’efficacité de notre approche et ouvrant la voie à la détection des déchets marins basée sur l’apprentissage automatique avec des modèles de simulation encore plus représentatifs.
Pour lire l’article : https://www.mdpi.com/2072-4292/14/23/6102
