C’est dans ce contexte que la société Geo4i travaille depuis maintenant quelques mois dans ce domaine appliqué à l’imagerie spatiale, en vue d’améliorer encore ses capacités d’analyse géospatiale.
Bien sûr, l’humain reste au cœur du renseignement image et l’image est là pour répondre à une question (précise) posée par un demandeur.

Cependant, il nous semblait intéressant, dans le cadre du développement de nos chaînes de traitement automatique (dont l’objectif est d’accélérer les processus de traitement d’image) de s’intéresser à cette technique afin de continuer à recentrer l’analyste sur son cœur de métier : l’ANALYSE.
Ainsi, après nous être familiarisé avec le sujet, nous avons tenté diverses approches afin d’obtenir les meilleurs résultats en terme d’identification de cibles, dans la continuité de notre outil d’aide à l’identification de matériel, Help4i.
La chaîne est actuellement intégrée à notre plateforme, GEOSPACE, dans une version bêta et le taux de réussite est de l’ordre de 85%.
Même si les résultats obtenus nous semblent encore insuffisant, l’expérience que nous venons d’acquérir dans cette technologie nous a permis de redéfinir une nouvelle méthode d’apprentissage des modèles de deep learning qui devrait nous permettre d’augmenter sensiblement le taux d’identification des objectifs.
Bien entendu, les travaux ont déjà commencé et sont plutôt concluant. 😊