L'accès à des cartes précises et détaillées de l'occupation des sols (OS) est crucial pour de nombreuses applications telles
que la surveillance de l'environnement, la politique foncière et agricole, l'estimation de la population, la modélisation du
climat urbain, etc. En télédétection, l'approche combinant l'analyse d'image basée sur l'objet (OBIA) et les classificateurs
supervisés traditionnels d'apprentissage automatique (ML) tels que Random Forest (RF) ont été des techniques à la pointe de la
littérature scientifique, pendant de nombreuses années, pour la cartographie détaillée de l'OS à partir de données
d'observation de la Terre à très haute résolution (VHRRS). Cependant, au cours de la dernière décennie, les approches d'apprentissage
profond (DL) et plus particulièrement les réseaux neuronaux convolutifs profonds (CNN) ont facilité une percée dans le domaine de
la vision par ordinateur (CV) en battant les approches ML traditionnelles. Les réseaux neuronaux convolutifs profonds ont
également prouvé leur capacité à surpasser les anciennes approches dans le domaine de la télédétection, et sont désormais à la
pointe de l'état de l'art.
La plupart des développements méthodologiques de pointe sur les CNN ont lieu dans le domaine de la CV et ont ensuite été
appliqués aux caractéristiques spécifiques des images d'observation de la Terre. Cependant, le transfert technologique du domaine
de la CV à l'Observation de la Terre n'est pas simple et de nombreux défis existent encore. L'objectif de ce projet est de
fournir des solutions pour atténuer l'un des principaux problèmes rencontrés lors de l'application d'approches DL de pointe sur les
données VHRRS pour la cartographie de l'OS, à savoir, la difficulté d'accéder à une grande quantité de données
d'entraînement étiquetées.