Quoi de neuf en imagerie dans ArcGIS Pro 3.0 ?

 

L'imagerie est depuis longtemps un axe majeur de la plateforme ArcGIS en particulier dans les outils bureautiques tels qu'ArcGIS Pro et l'extension ArcGIS Image Analyst. La dernière mise à jour d'ArcGIS Pro 3.0 apporte de nouveaux outils de traitement d’image, notamment sur le SAR (radar à synthèse d’ouverture), et des améliorations sur les outils de deep learning, de détection de changements, d’analyse multidimensionnelle ou encore de stéréorestitution.  

Radar 

Cette version propose 9 nouveaux géotraitements destinés à la prise en charge des données radar Sentinel-1 au niveau GRD (Ground Range Detected). Ils offrent ainsi un workflow complet pour disposer de données SAR prêtes à l’analyse, avec notamment la création de compositions colorées pour en faciliter l’interprétation. Les outils habituels d’ArcGIS Image Analyst peuvent ensuite être utilisés sur ces images pour opérer des classifications, détections de changement ou entrainer un modèle de deep learning. 

Utilisation de données SAR pour l'estimation de zones inondables

Le deep learning (ou apprentissage en profondeur) est aujourd’hui un élément central des outils d’analyse du système ArcGIS. Cette version 3.0 de Pro a ajouté plusieurs améliorations aux capacités d'apprentissage en profondeur notamment autour d'AutoML. Les outils ont été intégrés avec les bibliothèques open source les plus courantes du domaine pour permettre l’accès aux dernières évolutions, notamment l’apprentissage automatique.  

Outils 

Des mises à jour ont été apportées pour détecter et suivre des objets dans une vidéo. Jusqu’à présent, un utilisateur FMV devait mettre la vidéo en pause afin de pouvoir détourer un objet d’intérêt en mouvement. Grâce à la fonction “Click to Track”, l’analyste peut simplement cliquer sur l’objet et un modèle de Deep Learning va automatiquement le suivre. Les modèles de suivi sont également associés à des modèles de détection qui permettent à l’analyste de suivre et détecter simultanément. 

Le nouvel outil "Auto Detector" a été inséré dans le volet "Object Tracking", permettant la détection automatique et l’identification d’objets cible en utilisant un modèle de détecteur par deep learning.  

Amélioration des performances 

La création et la préparation des données d’entrainement est sans aucun doute la partie la plus laborieuse et chronophage du workflow de deep learning. Avec cette version, l’outil d’export des données d’entrainement permet désormais à l’utilisateur de tirer parti de toute la puissance de leur machine, améliorant les performances de cette étape d’un facteur 9.  

 

Nouveaux modèles de Deep Learning 

En règle générale, le deep learning nécessite de larges quantités de données d’entrainement. Cependant, le domaine évolue lentement vers des modèles moins gourmands en échantillons (Few Shot Detection). Le modèle DETReg a été ajouté, à destination des utilisateurs qui ne disposent pas d’un grand nombre de données d’entrainement. Ainsi, on minimise le temps passé à la saisie d’échantillons, permettant alors aux utilisateurs d’intégrer plus facilement le deep learning dans leurs worklfows habituels.  

De plus, à la demande des utilisateurs, le modèle "Panoptic Segmentation" a été introduit. Ce modèle permet de lancer une inférence simultanément sur le résultat d’une classification par pixel et d’une détection d’objets. Ils peuvent ainsi tirer parti d’un seul modèle puissant pour exécuter les deux tâches.  

Jusqu'à présent la détection de changement image à image était limitée à des comparaisons par bande ou entre rasters thématiques. Cette version apporte la détection de changement dans les images multispectrales. De nouvelles méthodes vont calculer les changements au travers du spectre complet de chaque pixel. Cela permet plus de souplesse de mise en œuvre, en supprimant la nécessité de choisir des bandes spécifiques au préalable et en offrant de nouvelles métriques pour évaluer le changement ou les divergences à l’échelle du pixel. Dans l’exemple ci-dessous, la différence d’angle spectral (Spectral Angle Difference) est calculée entre deux scènes Landsat 8 en réflectance, pour produire une carte de changements dans les zones agricoles et le niveau des lacs en Californie.

Les outils d’analyse multidimensionnelle et les fonctions raster ont été améliorés pour prendre en charge davantage de workflows. L'outil d’analyse en composantes principales (ACP) pour les données multidimensionnelles a été ajouté, permettant de s’intéresser aux patterns spatiaux et temporels d’un jeu de données. L'analyste pourra alors lancer une ACP sur une série temporelle plutôt que de s’intéresser seulement à l’analyse des patterns spectraux d’une image. Ces outils permettent de réaliser une réduction spatiale des variables, afin d’identifier les patterns spatiaux et temporels.

L'expérience utilisateur pour l’analyse et l’extraction d’objets en 3D a été améliorée avec le suivi de terrain en utilisant un MNT. Cela permet au restituteur de se focaliser sur l’analyse stéréo plutôt que sur l’ajustement de hauteur du ballonnet.  

Cette mise à jour va également ajouter le support de modèles de capteur additionnels. Auparavant seules les images accompagnées d’un modèle RPC étaient supportées. Désormais, le travail stéréoscopique est possible avec des images accompagnées d’un modèle physique, comme les images satellite de Maxar. D'autres modèles physiques seront bientôt mis à disposition dans les prochaines versions.  

Si vous ne connaissez pas bien les nombreuses capacités de l'extension ArcGIS Image Analyst, je vous recommande de commencer par la lecture de cette page, puis potentiellement la découverte de ces didacticiels.