Classification de séries temporelles avec applications en télédétection

La classification de series temporelles a suscite beaucoup d’interet au cours des dernieres annees en raison de ces nombreuses applications. Nous commencons par proposer la methode Dense Bag-of-Temporal-SIFT-Words (D-BoTSW) qui utilise des descripteurs locaux bases sur la methode SIFT, adaptes pour les donnees en une dimension et extraits a intervalles reguliers. Des experiences approfondies montrent que notre methode D-BoTSW surpassent de facon significative presque tous les classificateurs de reference compares. Ensuite, nous proposons un nouvel algorithmebase sur l’algorithme Learning Time Series Shapelets (LTS) que nous appelons Adversarially- Built Shapelets (ABS). Cette methode est basee sur l’introduction d’exemples adversaires dans le processus d’apprentissage de LTS et elle permet de generer des shapelets plus robustes. Des experiences montrent une amelioration significative de la performance entre l’algorithme de base et notre proposition. En raison du manque de jeux de donnees labelises, formates et disponibles enligne, nous utilisons deux jeux de donnees appeles TiSeLaC et Brazilian-Amazon.