Enrichissement d'orthophotographie par des données OpenStreetMap pour l'apprentissage machine

Les donnees geographiques presentes dans OpenStreetMap (OSM), decrites a la fois par leur geometrie et de la semantique, constituent une source d'informa-tion essentielle a la fabrication de cartes en relief pour deficients visuels. Cependant, a l'echelle du carrefour, les details geometriques necessaires a la modelisation de certains elements ne sont pas disponibles. L'utilisation de l'imagerie aerienne constitue une source d'information complementaire, mais impose un traitement d'image sophistique. Dans cet article, nous proposons une approche basee sur l'apprentissage profond (re-seau adverse generatif conditionnel), en enrichissant les informations presentes dans les orthophotographies par des donnees semantiques et geometriques issues d'OSM. Afin de mesurer l'influence de cet enrichissement, nous presentons les resultats de deux series d'apprentissage, avec et sans enrichissement. ABSTRACT. The geographic data in OpenStreetMap (OSM), described through geometry and semantics, is an essential source of information for relief maps production for the visually impaired. However, at the crossroads scale, the geometric details required for modeling some components are not available. The use of aerial imagery is a complementary source of information, but involves advanced image processing. In this article, we propose an approach based on deep learning (conditional Generative Ad-versarial Networks), by enhancing the information of orthophotographs with semantic and geometric data from OSM. In order to measure the influence of this enrichment, we present the results of two series of learning, with and without enrichment. MOTS-CLES : apprentissage machine ; enrichissement de donnees ; information geo-graphique volontaire ; segmentation semantique