De l’espace euclidien à l’espace hyperbolique : repenser la classification hiérarchique des images de scènes de télédétection.

(English below)

Les images de télédétection sont complexes et présentent généralement une structure hiérarchique qui est souvent négligée, en particulier par les méthodes de classification de scènes. Ces dernières ont tendance à traiter toutes les non-cibles classes de manière égale, ce qui peut conduire à des erreurs importantes lorsqu’il y a confusion entre des classes non liées sémantiquement. En introduisant l’information hiérarchique dans leur apprentissage, ces approches peuvent être rendues plus cohérentes. Cette information est souvent disponible de manière explicite via la hiérarchie de classes ou implicitement dans les données. Cette thèse se concentre donc sur la classification de scènes à l’aide de l’information de la hiérarchie.

D’abord, nous introduisons la hiérarchie de classes dans l’apprentissage d’un classifieur via une fonction de perte hiérarchique. Nous évaluons son impact dans un cadre avec peu d’exemples (few-shot) avec des prototypes hiérarchiques définis à chaque niveau de la hiérarchie de classes. Les résultats des expérimentations montrent que la hiérarchie de classes est une source d’information prometteuse pour améliorer les performances du classifieur. Ensuite, nous utilisons l’espace hyperbolique comme espace d’analyse car il est mieux adapté au traitement des données
présentant une hiérarchie sous-jacente. Nous évaluons cette approche dans deux cadres : non supervisé et few-shot. Les résultats des expérimentations mettent en évidence le potentiel de l’espace hyperbolique pour la classification de scènes, ce qui en fait une approche prometteuse pour la communauté de la télédétection.

Mot clés : classification de scènes, hiérarchie de classes, espace hyperbolique

From Euclidean to Hyperbolic Spaces: Rethinking Hierarchical
Classification of Remote

Abstract:
Remote sensing images are complex and typically exhibit a hierarchical structure which is often overlooked, particularly in scene classification methods. These methods tend to treat all non-target classes with equal importance, which can lead to severe mistakes when confusion between semantically unrelated classes. By introducing hierarchical information into the learning process, these approaches can provide more coherent predictions. This hierarchical information is often available explicitly via the class hierarchy or implicitly within the data. This thesis therefore focuses on scene classification with hierarchical information.

Firstly, we introduce the class hierarchy when training a classifier via a hierarchical loss function. We evaluate its impact in a few-shot setting with hierarchical prototypes defined at each level of the class hierarchy. Experimental results reveal that the class hierarchy is a promising source of information to improve the scene classifier performance. Subsequently, we consider the hyperbolic space as an embedding space as it is better suited to handle data with an underlying hierarchy. We
evaluate the approach within two settings: unsupervised and few-shot. The experimental results highlight the potential of the hyperbolic space for scene classification, making it a promising approach for the remote sensing community.

Keywords: scene classification, class hierarchy, hyperbolic space