Treffer: Classification non supervisées d'acquisitions hyperspectrales codées : quelles vérités terrain ?

Nous proposons une méthode de classification non supervisée exploitant un nombre réduit d'acquisitions codées issues d'un imageur hyperspectral de type DD-CASSI. Partant d'une modélisation simple de la variabilité spectrale intra-classe, cette approche permet d'identifier des classes et d'estimer des spectres de référence malgré une compression par un facteur dix des données. Nous mettons en évidence ici les limites des vérités terrain couramment utilisées pour évaluer ce type de méthode : absence de définition claire de la notion de classe, forte variabilité intra-classe, voire erreurs de classification. À partir de la scène Pavia University, nous montrons qu'avec des hypothèses simples, il est possible de détecter des régions spectralement plus cohérentes, ce qui souligne la nécessité de repenser l'évaluation des méthodes de classification, notamment dans les scénarios non supervisés.
We propose an unsupervised classification method using a limited number of coded acquisitions from a DD-CASSIhyperspectral imager. Based on a simple model of intra-class spectral variability, this approach allow to identify classes and estimate reference spectra, despite data compression by a factor of ten. Here, we highlight the limitations of the ground truths commonly used to evaluate this type of method: lack of a clear definition of the notion of class, high intra-class variability, and even classification errors. Using the Pavia University scene, we show that with simple assumptions, it is possible to detect regions that are spectrally more coherent, highlighting the need to rethink the evaluation of classification methods, particularly in unsupervised scenarios.