Active Learning pour la classication hyperspectrale : une étude comparative

International audience; Machine learning algorithms have demonstrated impressive results for land cover mapping from hyperspectral data. To enhance the generalization capabilities of statistical models, Active Learning methods guide the annotation of the training dataset by querying the most informative samples.The training of the classifier can then be performed on an optimal training dataset. We bring under the same framework uncertainty, representativeness and performance based Active Learning methods, conduct a benchmark on state-of-the-art methods and release a toolbox to allow experimenting with these methods. The experiments are conducted on various datasets: a toy dataset, classic hyperspectral benchmark datasets and a complex hyperspectral scene. We evaluate the methods with usual accuracy metrics as well as complementary metrics that allow us to provide guidelines in the choice of a relevant Active Learning strategy in a real use case.; Les algorithmes d'apprentissage automatique ont donné des résultats impressionnants pour la cartographie de l'occupation du sol à partir de données hyperspectrales. Pour améliorer les capacités de généralisation des modèles statistiques, les méthodes d'active learning guident l'annotation de l'ensemble des données d'apprentissage en sélectionnant les échantillons les plus informatifs. Nous mettons sous le même formalisme les méthodes d'active learning qui utilisent des heuristiques d'incertitude, de représentativité et de performance, nous effectuons une étude comparative de l'état de l'art et nous publions une boîte à outils permettant d'expérimenter ces méthodes.