Abstract FR:

L'utilisation des methodes d'apprentissage automatique avec les jeux de donnees complexes et volumineux des images de teledetection est souvent delicate, en particulier avec les images de zones urbaines qui contiennent des taux importants de pixels mixtes. La classification pixel par pixel de ces images genere des classes spectrales mixtes qui ne sont pas toujours interessantes. D'autre part, la complexite de ces donnees rend difficile l'apprentissage supervise des classifications effectuees par un expert. Cette these propose deux methodes d'apprentissage bien adaptees a ces jeux de donnees complexes. La premiere entre dans la categorie des methodes d'apprentissage non supervise. Elle a pour objectif de classifier et de segmenter les images de teledetection en regions et de depasser le niveau des pixels. Elle utilise des informations spatiales en plus des informations spectrales afin de construire par agregation des regions et de les classifier. La seconde methode entre dans la categorie des methodes d'apprentissage neuronal supervise. Elle a pour objectif de reproduire les classifications de l'expert sur des donnees d'apprentissage complexes et de les generaliser sur des donnees non vues durant l'apprentissage. Elle utilise une representation interne des connaissances sous la forme de neurones de type hyperconvexe et un algorithme d'apprentissage efficace.