Hyperbolic Variational Auto-Encoder for Remote Sensing Scene Classification

Les espaces hyperboliques ont recemment attire l’attention de la communaute de l’apprentissage automatique du fait qu’ils permettent de mieux representer les donnees hierarchiques que les espaces Euclidiens. En consequence, de nombreux modeles populaires d’apprentissage automatique, tels que les Reseaux de Neurones de Graphes (GNNs) et les Auto-Encodeurs Variationnels (VAEs), ont ete generalises avec succes afin de representer des donnees dans les espaces hyperboliques. Dans cet article, nous cherchons a savoir si les promesses faites par les differents travaux utilisant les espaces hyperboliques peuvent etre atteintes dans le contexte des donnees de teledetection. A notre connaissance, il s’agit de la premiere evaluation des benefices des espaces hyperboliques dans la communaute de la teledetection. Nous nous focalisons particulierement sur le probleme de classification de scenes d’images de teledetection, dans lequel les exemples sont des images dont les etiquettes semantiques sont generalement intrinsequement structurees. Nous utilisons un Auto-EncodeurVariationnel pour projeter les donnees dans un espace latent hyperbolique et nous analysons l’organisation de l’espace induit en fonction de la structure des labels. Nous supervisons egalement l’apprentissage du VAE afin de guider la construction de l’espace latent en fonction de la hierarchie des classes. Nous realisons des experiences sur le jeu de donnees de teledetection PatternNet et effectuons une evaluation sur une tâche de classification, en prenant en compte la distance hierarchique inter-classes. Les resultats experimentaux indiquent que l’espace hyperbolique n’ameliore pas la precision globale de la classification par rapport a un espace Euclidien, mais permet d’ameliorer legerement les performances lorsque l’on considere la distance entre l’etiquette predite et la vraie etiquette dans la hierarchie des labels.