Détection automatique de toitures par segmentation d'image
Ce projet consiste à identifier automatiquement, pixel par pixel, les zones de toiture dans des images aériennes — une tâche de segmentation sémantique, plus précise qu'une simple détection "il y a un bâtiment sur cette image".
Méthode : modèle DeepLabV3+ avec encodeur ResNet34 pré-entraîné (transfer learning), entraîné avec une fonction de perte combinant Cross-Entropy et Dice Loss.
Données : 1671 paires image aérienne / masque de toiture, réparties en jeux d'entraînement, de validation et de test, avec vérification systématique de la correspondance entre chaque image et son masque avant l'entraînement.
Le modèle a été sélectionné sur son meilleur score de validation, puis évalué une seule fois sur un jeu de test resté à l'écart pendant tout l'entraînement — une discipline qui évite de surestimer la performance réelle du modèle.
Ce projet reste un projet de portfolio, pas un système de cartographie géospatiale en production : le partitionnement des données est aléatoire plutôt que géographique, et le jeu de validation/test est de taille limitée. Ces limites sont documentées intentionnellement plutôt que dissimulées.