Change Detection in Satellite Imagery by Combining Algebraic Methods and Convolutional Neural Network

Abstract

Change information detection has played an important role in the exploitation of satellite im- ages, it has improved our ability to monitor land use/land cover and has assisted us in estimating the damage caused by disasters ( oods, res) and used for military target detection. There are many traditional methods used in multispectral remote sensing images for change detection, but these often do not provide the accuracy and precision that we require and robustness. To overcome this constraint, we combined multiple di erences images with a deep convolutional neural network- based approach to change identi cation of urban areas, using the dataset ONERA satellite changes detection 2015-2018. This method incorporates pre-existing deep learning neural networks, specif- ically the U-net network, in the aim to increase the accuracy of the change obtained from the unet model. The results obtained are quite satisfactory.

La d etection des informations qui changent a jou e un r^ole tr es important dans l'exploitation des images satellites ; il a am elior e notre capacit e a surveiller et a utiliser les terres/l'occupation des sols et nos aid ees aussi a estimer les dommages caus es par les catastrophes naturelles (inondations, incendies) et la d etection des cibles militaires. Il existe de nombreuses m ethodes traditionnelles utilis ees sur les images de t el ed etection multispectrales pour la d etection des changements, mais celles-ci n'o rent souvent pas la pr ecision et la robustesse dont nous avons besoin. Pour surmonter cette contrainte, nous avons combines di erentes d'images g en er ees par des m ethodes alg ebriques avec une approche bas ee sur un r eseau de neurones a convolution profonde pour l'identi cation de changement dans zones urbaines, en utilisant les donn ees de d etection de changements par satellite ONERA 2015-2018. Cette m ethode int egre des r eseaux de neurones d'apprentissage en profondeur pr eexistants, en particulier le r eseau Unet, dans le but d'augmenter la pr ecision du changement obtenu a partir du mod ele. les r esultats obtenus sont tout a fait satisfaisants.

La d etection des informations qui changent a jou e un r^ole tr es important dans l'exploitation des images satellites ; il a am elior e notre capacit e a surveiller et a utiliser les terres/l'occupation des sols et nos aid ees aussi a estimer les dommages caus es par les catastrophes naturelles (inondations, incendies) et la d etection des cibles militaires. Il existe de nombreuses m ethodes traditionnelles utilis ees sur les images de t el ed etection multispectrales pour la d etection des changements, mais celles-ci n'o rent souvent pas la pr ecision et la robustesse dont nous avons besoin. Pour surmonter cette contrainte, nous avons combines di erentes d'images g en er ees par des m ethodes alg ebriques avec une approche bas ee sur un r eseau de neurones a convolution profonde pour l'identi cation de changement dans zones urbaines, en utilisant les donn ees de d etection de changements par satellite ONERA 2015-2018. Cette m ethode int egre des r eseaux de neurones d'apprentissage en profondeur pr eexistants, en particulier le r eseau Unet, dans le but d'augmenter la pr ecision du changement obtenu a partir du mod ele. les r esultats obtenus sont tout a fait satisfaisants.