ISO 19178-1:2025

Norme
internationale
ISO 19178-1
Première édition
Information géographique —
2025-05
Langage de balisage des données
d'entraînement pour l'intelligence
artificielle —
Partie 1:
Modèle conceptuel
Geographic information — Training data markup language for
artificial intelligence —
Part 1: Conceptual model
Numéro de référence
DOCUMENT PROTÉGÉ PAR COPYRIGHT
© ISO 2025
Tous droits réservés. Sauf prescription différente ou nécessité dans le contexte de sa mise en œuvre, aucune partie de cette
publication ne peut être reproduite ni utilisée sous quelque forme que ce soit et par aucun procédé, électronique ou mécanique,
y compris la photocopie, ou la diffusion sur l’internet ou sur un intranet, sans autorisation écrite préalable. Une autorisation peut
être demandée à l’ISO à l’adresse ci-après ou au comité membre de l’ISO dans le pays du demandeur.
ISO copyright office
Case postale 401 • Ch. de Blandonnet 8
CH-1214 Vernier, Genève
Tél.: +41 22 749 01 11
E-mail: copyright@iso.org
Web: www.iso.org
Publié en Suisse
ii
Sommaire Page
Avant-propos .v
Introduction .vi
1 Domaine d’application . 1
2 Références normatives . 1
3  Termes, définitions et abréviations . 1
3.1 Termes et définitions .1
3.2 Abréviations.4
4 Conventions . 4
4.1 Généralités .4
4.2 Identifiants . .4
4.3 Notation UML .5
5 Conformité . 6
6 Vue d’ensemble . 6
6.1 Généralités .6
6.2 Tâches d’IA pour l’EO .6
6.3 Modularisation .7
6.4 Principes généraux de modélisation .8
6.4.1 Modélisation des éléments .8
6.4.2 Hiérarchie des classes et héritage des propriétés et des relations.9
6.4.3 Définition de la sémantique pour toutes les classes, propriétés et relations .9
6.4.4 Intégrité, authenticité et non-répudiation des données .9
6.5 Extension du modèle TrainingDML-AI .9
7 Modèle UML TrainingDML-AI . 9
7.1 Généralités .9
7.2 Dépendances ISO .9
7.3 Vue d’ensemble du modèle UML .11
7.4 AI_TrainingDataset . 12
7.4.1 Généralités . 12
7.4.2 Dispositions . 13
7.4.3 Définitions de classes .14
7.5 AI_TrainingData . 15
7.5.1 Généralités . 15
7.5.2 Dispositions .16
7.5.3 Définitions de classes .16
7.6 AI_Task .17
7.6.1 Généralités .17
7.6.2 Dispositions .18
7.6.3 Définitions de classes .19
7.7 AI_Label .19
7.7.1 Généralités .19
7.7.2 Dispositions . 20
7.7.3 Définitions de classes .21
7.8 AI_Labeling .21
7.8.1 Généralités .21
7.8.2 Dispositions . 22
7.8.3 Définitions de classes . 23
7.9 AI_TDChangeset . 23
7.9.1 Généralités . 23
7.9.2 Dispositions .24
7.9.3 Définitions de classes .24
7.10 AI_DataQuality . 25
7.10.1 Généralités . 25

iii
7.10.2 Dispositions . 26
7.10.3 Définitions de classes .27
8 Dictionnaire de données TrainingDML-AI .27
8.1 Généralités .27
8.2 Classes ISO .27
8.2.1 Feature (entité, d’après l’ISO 19101-1) .27
8.2.2 MD_Band (bande, d’après l’ISO 19101-1) .27
8.2.3 MD_Scope (domaine d’application, d’après l’ISO 19115-1) .27
8.2.4 MD_ReferenceSystem (d’après l’ISO 19115-1) . 28
8.2.5 LI_Lineage (généalogie, d’après l’ISO 19115-1) . 28
8.2.6 EX_Extent (étendue, d’après l’ISO 19115-1) . 28
8.2.7 CI_Citation (citation, d’après l’ISO 19115-1) . 28
8.2.8 MD_Resolution (résolution, d’après l’ISO 19115-1) . 28
8.2.9 DataQuality (qualité des données, d’après l’ISO 19157-1) . 28
8.2.10 QualityElement (élément de qualité, d’après l’ISO 19157-1) . 29
8.3 AI_TrainingDataset . 29
8.3.1 Métadonnées . 29
8.3.2 Classes . 29
8.4 AI_TrainingData .31
8.4.1 Métadonnées .31
8.4.2 Classes .31
8.5 AI_Task . 33
8.5.1 Métadonnées . 33
8.5.2 Classes . 33
8.6 AI_Label . 34
8.6.1 Métadonnées . 34
8.6.2 Classes . 34
8.7 AI_Labeling . 35
8.7.1 Métadonnées . 35
8.7.2 Classes . 36
8.8 AI_TDChangeset .37
8.8.1 Métadonnées .37
8.8.2 Classes .37
8.9 AI_DataQuality . 38
8.9.1 Métadonnées . 38
8.9.2 Classes . 38
Annexe A (normative) Suite de tests abstraits .39
Annexe B (informative) Exemples .47
Bibliographie . 51

iv
Avant-propos
L’ISO (Organisation internationale de normalisation) est une fédération mondiale d’organismes nationaux
de normalisation (comités membres de l’ISO). L’élaboration des Normes internationales est en général
confiée aux comités techniques de l’ISO. Chaque comité membre intéressé par une étude a le droit de faire
partie du comité technique créé à cet effet. Les organisations internationales, gouvernementales et non
gouvernementales, en liaison avec l’ISO participent également aux travaux. L’ISO collabore étroitement avec
la Commission électrotechnique internationale (IEC) en ce qui concerne la normalisation électrotechnique.
Les procédures utilisées pour élaborer le présent document et celles destinées à sa mise à jour sont
décrites dans les Directives ISO/IEC, Partie 1. Il convient, en particulier, de prendre note des différents
critères d’approbation requis pour les différents types de documents ISO. Le présent document a
été rédigé conformément aux règles de rédaction données dans les Directives ISO/IEC, Partie 2 (voir
www.iso.org/directives).
L’ISO attire l’attention sur le fait que la mise en application du présent document peut entraîner l’utilisation
d’un ou de plusieurs brevets. L’ISO ne prend pas position quant à la preuve, à la validité et à l’applicabilité de
tout droit de brevet revendiqué à cet égard. À la date de publication du présent document, l’ISO n’avait pas
reçu notification qu’un ou plusieurs brevets pouvaient être nécessaires à sa mise en application. Toutefois,
il y a lieu d’avertir les responsables de la mise en application du présent document que des informations
plus récentes sont susceptibles de figurer dans la base de données de brevets, disponible à l’adresse
www.iso.org/brevets. L’ISO ne saurait être tenue pour responsable de ne pas avoir identifié tout ou partie de
tels droits de propriété.
Les appellations commerciales éventuellement mentionnées dans le présent document sont données pour
information, par souci de commodité, à l’intention des utilisateurs et ne sauraient constituer un engagement.
Pour une explication de la nature volontaire des normes, la signification des termes et expressions
spécifiques de l’ISO liés à l’évaluation de la conformité, ou pour toute information au sujet de l’adhésion de
l’ISO aux principes de l’Organisation mondiale du commerce (OMC) concernant les obstacles techniques au
commerce (OTC), voir www.iso.org/avant-propos.
Le présent document a été élaboré par le comité technique ISO/TC 211, Information géographique/
Géomatique, en collaboration avec le comité technique CEN/TC 287, Information géographique, du Comité
européen de normalisation (CEN) conformément à l’Accord de coopération technique entre l’ISO et le CEN
(Accord de Vienne), et en collaboration avec l’Open Geospatial Consortium (OGC).
Une liste de toutes les parties de la série ISO 19178 se trouve sur le site web de l’ISO.
Il convient que l’utilisateur adresse tout retour d’information ou toute question concernant le présent
document à l’organisme national de normalisation de son pays. Une liste exhaustive desdits organismes se
trouve à l’adresse www.iso.org/fr/members.html.

v
Introduction
Le présent document vise à développer le modèle UML et les encodages pour les données d’entraînement
à l’apprentissage automatique géospatial. Les données d’entraînement jouent un rôle fondamental dans
l’apprentissage automatique de l’intelligence artificielle (IA/ML) en matière d’observation de la Terre (EO),
en particulier l’apprentissage profond (DL). Elles sont utilisées pour entraîner, valider et tester les modèles
d’IA/ML. Le présent document définit un modèle UML et des encodages conformes à la base de normes de
l’OGC pour échanger et récupérer les données d’entraînement dans l’environnement Web.
Le présent document fournit des métadonnées détaillées pour formaliser le modèle d’information des
données d’entraînement. Cela comprend, sans s’y limiter, les aspects suivants:
— comment les données d’entraînement sont préparées, telles que la provenance ou la qualité;
— comment spécifier les différentes métadonnées utilisées pour les différentes tâches de ML, telles que les
niveaux scène/objet/pixel;
— comment différencier le modèle d’information des données d’entraînement de haut niveau et les modèles
d’information étendus spécifiques à diverses applications de ML;
— comment introduire des systèmes de classification externes et des moyens flexibles pour représenter
l’étiquetage.
vi
Norme internationale ISO 19178-1:2025(fr)
Information géographique — Langage de balisage des
données d'entraînement pour l'intelligence artificielle —
Partie 1:
Modèle conceptuel
1 Domaine d’application
Dans le contexte des données d’entraînement pour l’apprentissage automatique de l’intelligence artificielle
(IA/ML) en matière d’observation de la Terre (EO), le présent document spécifie un modèle conceptuel qui:
— établit un modèle UML dans le but de maximiser l’interopérabilité et l’utilisabilité des données
d’entraînement à l’imagerie d’observation de la Terre;
— spécifie les différentes tâches et étiquettes d’IA/ML dans le domaine de l’EO en termes d’apprentissage
supervisé, y compris les tâches au niveau de la scène, de l’objet et du pixel;
— décrit l’identifiant permanent, la version, la licence, la taille des données d’entraînement, les mesures ou
l’imagerie utilisée pour l’annotation;
— spécifie une description de la qualité (par exemple, les erreurs dans les données d’entraînement, la
représentativité des données d’entraînement, les mesures de la qualité) et de la provenance (par exemple,
les agents qui effectuent l’étiquetage, la procédure d’étiquetage).
2 Références normatives
Les documents suivants sont cités dans le texte de sorte qu’ils constituent, pour tout ou partie de leur
contenu, des exigences du présent document. Pour les références datées, seule l’édition citée s’applique. Pour
les références non datées, la dernière édition du document de référence s'applique (y compris les éventuels
amendements).
ISO 19101-1, Information géographique — Modèle de référence — Partie 1: Principes de base
ISO 19103, Information géographique — Langage de schéma conceptuel
ISO 19115-1, Information géographique — Métadonnées — Partie 1: Principes de base
ISO 19156, Information géographique — Observations, mesures et échantillons
ISO 19157-1, Information géographique — Qualité des données — Partie 1: Exigences générales
3  Termes, définitions et abréviations
3.1  Termes et définitions
Pour les besoins du présent document, les termes et définitions suivants s’appliquent.
L’ISO et l’IEC tiennent à jour des bases de données terminologiques destinées à être utilisées en normalisation,
consultables aux adresses suivantes:
— ISO Online browsing platform: disponible à l’adresse https:// www .iso .org/ obp

— IEC Electropedia: disponible à l’adresse https:// www .electropedia .org/
3.1.1
reconstruction d’un modèle 3D
tâche dans laquelle des objets et des scènes en 3D sont construits à partir d’images
multi-vues
3.1.2
intelligence artificielle
IA
discipline qui traite des systèmes informatiques capables d’exécuter des fonctions généralement associées à
l’intelligence humaine, telles que le raisonnement, l’apprentissage et l’auto-amélioration
[SOURCE: ISO/IEC 2382:2015, 2121393, modifié — Les Notes 1 et 2 à l’article ont été supprimées.]
3.1.3
détection de changements
reconnaissance des changements entre des images acquises à des moments
différents
3.1.4
classe
résultat d’un processus de classification dans le cadre d’un système de classification qui
subdivise des concepts dans un domaine thématique donné
[SOURCE: ISO 19144‑2:2023, 3.1.6]
3.1.5
jeu de données
collection identifiable de données
Note 1 à l'article: Un jeu de données peut être un regroupement plus restreint de données qui, bien qu’il soit limité par
certaines contraintes, comme une étendue spatiale ou un type d’entité, est situé physiquement dans un jeu de données
plus grand. En théorie, un jeu de données peut être aussi petit qu’une seule entité ou attribut d’entité dans un jeu de
données plus grand. Une carte ou un graphe sur copie papier peut être considéré comme un jeu de données.
[SOURCE: ISO 19115‑1:2014, 4.3]
3.1.6
apprentissage profond
DL
approche consistant à créer de riches représentations hiérarchiques par
l’entraînement de réseaux neuronaux comportant une ou plusieurs couches cachées
Note 1 à l'article: L’apprentissage profond utilise des réseaux multicouches d’unités de calcul simples (ou «neurones»).
Dans ces réseaux neuronaux, chaque unité combine un ensemble de valeurs d’entrée pour produire une valeur de
sortie, laquelle est à son tour transmise à d’autres neurones en aval.
[SOURCE: ISO/IEC TR 29119‑11:2020, 3.1.26]
3.1.7
modèle génératif
méthode d’entraînement de grands modèles, qui améliore la performance du
modèle par un pré entraînement non supervisé
Note 1 à l'article: Dans la phase de réglage fin, les données étiquetées jouent un rôle essentiel dans l’optimisation
du modèle pour des domaines verticaux ou des tâches spécifiques. En incorporant des données étiquetées, le modèle
peut apprendre à identifier et à extraire avec précision les entités pertinentes, ce qui permet d’obtenir de meilleures
performances pour des tâches spécifiques en aval. Dans l’ensemble, la combinaison de modèles génératifs et d’un
réglage fin à l’aide de données étiquetées peut améliorer de manière significative les performances des grands modèles
dans des domaines ou des tâches spécialisés.

3.1.8
étiquette
résultats connus ou attendus annotés en tant que valeurs d’une variable
dépendante dans des échantillons d’entraînement
Note 1 à l'article: L’étiquette d’un échantillon d’entraînement est différente de celles qui figurent sur une carte
géographique, appelées étiquettes ou annotations cartographiques.
3.1.9
apprentissage machine
ML
processus d’optimisation des paramètres de modèle à l’aide de techniques de
calcul, de sorte que le comportement du modèle reflète les données ou l’expérience
Note 1 à l'article: Les processus de ML créent des modèles à partir de données d’entraînement en utilisant un ensemble
d’algorithmes d’apprentissage, et peuvent ensuite utiliser ces modèles pour faire des prédictions. Les algorithmes
d’apprentissage peuvent être divisés en apprentissage supervisé et non supervisé, en fonction de la présence ou non
d’étiquettes dans les données d’entraînement.
[SOURCE: ISO/IEC 22989:2022, 3.3.5, modifié — La Note 1 à l’article a été ajoutée.]
3.1.10
détection d’objets
reconnaissance d’objets à partir d’images
Note 1 à l'article: Les objets sont souvent localisés à l’aide de cadres de contour.
3.1.11
provenance
organisation ou individu qui a créé, collecté, maintenu et utilisé des enregistrements
Note 1 à l'article: Dans le présent document, la provenance est un enregistrement de la façon dont les données
d’entraînement ont été préparées.
[SOURCE: ISO 19115‑1:2014, 4.16, modifié — La Note 1 à l’article a été ajoutée.]
3.1.12
qualité
aptitude d’un ensemble de caractéristiques intrinsèques d’un objet à satisfaire des exigences
Note 1 à l'article: La qualité des données d’entraînement (telles que le déséquilibre des données et les erreurs
d’étiquetage) peut avoir une incidence sur les performances des modèles d’apprentissage automatique de l’intelligence
artificielle (IA/ML).
[SOURCE: ISO 9000:2015, 3.6.2, modifié — Les Notes 1 et 2 à l’article ont été supprimées et une nouvelle
Note 1 à l’article a été ajoutée.]
3.1.13
classification des scènes
tâche consistant à identifier les catégories de scène des images, sur la base d’un
ensemble d’images d’entraînement dont les catégories de scène sont connues
3.1.14
segmentation sémantique
tâche consistant à attribuer des étiquettes de classe aux pixels des images ou aux
points des nuages de points
3.1.15
jeu de données d’entraînement
collection d’échantillons, souvent étiquetés avec des valeurs connues ou attendues
pour l’apprentissage supervisé
Note 1 à l'article: Un jeu de données d’entraînement peut être divisé en ensembles d’entraînement, de validation et
de test. Les «échantillons d’entraînement» mentionnés dans le présent document sont différents des «échantillons»
mentionnés dans l’ISO 19156. Elles sont souvent collectées de manière ciblée, en s’écartant de l’échantillonnage
purement probabiliste, les résultats connus ou attendus étant considérés comme des valeurs d’une variable
dépendante permettant de générer un modèle prédictif entraîné.
3.2 Abréviations
Dans le présent document, les abréviations et acronymes suivants sont utilisés ou introduits:
ATS Abstract test suite (Suite de tests abstraits)
DML Data Markup Language (Langage de balisage des données)
EO Earth observation (Observations de la Terre)
ISO International Organization for Standardization (Organisation internationale de normalisation)
JSON JavaScript Object Notation (Notation d’objet JavaScript)
LC Land cover (Occupation des sols)
LU Land use (Usage des sols)
OGC Open Geospatial Consortium (Consortium définissant des standards pour le géospatial)
RS Remote sensing (Télédétection)
RSO Radar à synthèse d’ouverture (SAR, Synthetic Aperture Radar)
TD Training data (Données d’entraînement)
UML Unified Modelling Language (Langage de modélisation unifié)
URL Uniform Resource Locator (Localisateur uniforme de ressource)
URI Uniform Resource Identifier (Identificateur de ressource uniforme)
XML Extensible Markup Language (Langage de balisage extensible)
4 Conventions
4.1 Généralités
Le présent article fournit des détails et des exemples pour toutes les conventions utilisées dans le document.
Les symboles, les abréviations, l’utilisation du schéma XML ou les notes spéciales concernant la lecture du
document sont des exemples de conventions.
4.2  Identifiants
Les exigences de la présente spécification sont indiquées par les URI:
http://www.opengis.net/spec/TrainingDML-AI-1/1.0

Toutes les exigences et tous les tests de conformité qui apparaissent dans le présent document sont désignés
par des URI partiels qui se réfèrent à cette base.

4.3 Notation UML
Le modèle conceptuel est présenté dans le présent document au moyen de diagrammes utilisant le
diagramme de structure statique du langage de modélisation unifié (UML). Les notations UML utilisées dans
le présent document sont décrites dans le diagramme de la Figure 1.
NOTE Pour plus d’informations sur la notation UML, voir l’ISO 19103.
Figure 1 — Notation UML
Toutes les associations entre les éléments du modèle conceptuel TrainingDML-AI sont unidirectionnelles.
Ainsi, les associations du modèle ne sont navigables que dans une seule direction. Le sens de la navigation
est indiqué par une flèche. En général, le contexte d’un élément au sein de l’association est indiqué par son
rôle. Le rôle est affiché près de la cible de l’association. Toutefois, si la représentation graphique est ambiguë,
la position du rôle doit être attirée vers l’élément sur lequel pointe l’association.
Les stéréotypes suivants sont utilisés dans ce modèle.
— «DataType» définit un ensemble de propriétés dépourvues d’identité. Un type de données est un
classificateur n’ayant aucune opération, dont le but principal est de détenir les informations.
— «CodeList» énumère les valeurs d’attributs valides. Contrairement à l’énumération, la liste des valeurs
est ouverte et n’est donc pas donnée en ligne dans le modèle UML TrainingDML-AI. Les valeurs autorisées
peuvent être fournies dans une liste de codes externe.

5 Conformité
Le présent document définit un modèle conceptuel indépendant de toute technologie d’encodage ou de
formatage. L’objectif de normalisation pour le présent document correspondent à ce qui suit:
— modèle conceptuel TrainingDML-AI.
La conformité avec le présent document doit être vérifiée à l’aide de tous les essais concernés spécifiés à
l’Annexe A du présent document. La structure, les concepts et la méthodologie de test, ainsi que les critères
à remplir pour revendiquer la conformité sont spécifiés dans les OGC Compliance Testing Policies and
[9]
Procedures et sur le site Web OGC Compliance Testing .
Toutes les classes d’exigences et de conformité décrites dans le présent document appartiennent à la norme
identifiée.
6 Vue d’ensemble
6.1 Généralités
Le présent document définit la manière de représenter et d’échanger les données d’entraînement au ML. Le
modèle conceptuel comprend les entités de données d’entraînement les plus pertinentes, des jeux de données
aux instances (c’est-à-dire les échantillons d’entraînement individuels), en passant par les étiquettes.
Le schéma conceptuel spécifie comment et en quelles parties il convient de décomposer et de classer les
données d’entraînement.
Le présent document répond stratégiquement aux exigences géospatiales en fournissant un cadre modulaire
et extensible adapté aux applications d’EO. Le contenu et le format des jeux de données d’entraînement
diffèrent selon les scénarios de ML en EO pour lesquels ils ont été collectés (par exemple, niveaux de scène/
d’objet/de pixel). Le présent document définit un modèle UML et des encodages conformes aux normes
de base OGC/ISO pour l’échange et l’extraction de données géospatiales d’entraînement. Les normes
géospatiales existantes (par exemple l’ISO 19101-1, l’ISO 19115-1, l’ISO 19157-1) peuvent être réutilisées
pour définir les exigences géospatiales relatives aux images RS source, à la géométrie des étiquettes, aux
métadonnées et à la qualité. Alors que certaines informations géospatiales générales, telles que l’étendue
spatiale et les informations relatives au système de référence, sont définies pour les données d’entraînement
au niveau supérieur, d’autres informations spécifiques à l’EO, telles que la taille de chaque image échantillon,
la résolution spatiale et les bandes, peuvent être étendues dans une sous-classe au niveau inférieur. Grâce
à sa structure hiérarchique et extensible, le modèle de données d’entraînement s’adapte aux diverses
caractéristiques des données géospatiales, garantissant ainsi la flexibilité et l’interopérabilité.
Le modèle de données d’entraînement défini dans le présent document facilite l’interopérabilité en
permettant à des jeux de données d’entraînement hétérogènes de se conformer à une forme unifiée de
représentation et d’échange. Il assure que les données d’entraînement issues de différents fournisseurs
peuvent être partagées et interprétées de manière cohérente, ce qui améliore l’accessibilité et favorise
l’intégration des ressources d’IA/ML géospatiales.
Le modèle conceptuel TrainingDML-AI (Article 7) est formellement spécifié à l’aide de diagrammes de classes
UML, complétés par un dictionnaire de données (Article 8) fournissant les définitions et les explications
des classes d’objets et des attributs. Ce modèle conceptuel sert de base à la spécification de l’encodage
implémenté dans des langages tels que JSON ou XML. L’Annexe B fournit une série d’exemples d’encodages, y
compris des représentations pour l’encodage TrainingDataset, DataQuality et TDChangeset.
6.2 Tâches d’IA pour l’EO
Ces dernières années, l’IA/ML a été de plus en plus utilisée dans le domaine de l’EO. Les nouveaux algorithmes
d’IA/ML nécessitent souvent de gros jeux de données d’entraînement comme points de référence. Les TD IA/
ML ont été utilisées dans de nombreuses applications d’EO pour calibrer les performances des modèles AI/
ML. De nombreux efforts ont été déployés pour produire des jeux de données d’entraînement permettant
d’effectuer des prédictions précises. Par conséquent, un certain nombre de jeux de données d’entraînement
sont accessibles au public, et de nouveaux jeux de données sont constamment publiés. Dans le domaine de

l’EO, des exemples de jeux de données d’entraînement à l’IA/ML ont été développés pour diverses tâches,
notamment les scénarios types suivants.
— Classification des scènes: ces algorithmes déterminent des catégories d’images à partir de nombreuses
photos (par exemple, des scènes agricoles, forestières et de plage). Les échantillons d’entraînement sont
une série d’images étiquetées. Les données peuvent provenir de satellites, de drones ou d’avions. Les
métadonnées des jeux de données comprennent souvent le nombre d’échantillons d’entraînement, le
nombre de classes et la taille de l’image.
— Détection d’objets: ces algorithmes détectent et localisent différents objets (par exemple des avions, des
voitures et des bâtiments) dans une seule image. L’image peut être optique ou non optique, comme avec
le radar à synthèse d’ouverture (RSO). Des travaux récents montrent également un intérêt croissant pour
la détection d’objets à partir d’images de rues. Les objets peuvent être étiquetés à l’aide de polygones ou
de cadres de contour. Les cadres de contour peuvent être orientés verticalement ou horizontalement. La
géométrie d’un cadre de contour peut être exprimée à l’aide des coordonnées haut-gauche/bas-droite,
des coordonnées des quatre coins ou des coordonnées du centre, ainsi que de la longueur et de la largeur
du cadre.
— Segmentation sémantique: en termes de classification de l’occupation des sols (LC) et de l’usage des sols
(LU), ce processus attribue une étiquette de classe LC/LU à un pixel (ou à des groupes de pixels) de
l’imagerie RS. Dans le contexte de la segmentation sémantique des nuages de points 3D, il classe les
points d’un nuage de points 3D en catégories. Les TD sont généralement composées d’images RS/de
nuages de points, et la valeur étiquetée correspondante de chaque pixel/point enregistre sa classe.
— Détection de changements: ces algorithmes identifient la différence entre des images acquises sur la
même zone géographique, mais prises à des moments différents. Les TD comprennent un ensemble
d’images RS avant et après changement, avec la carte de référence correspondante étiquetée pour les
pixels changés et inchangés. L’image peut être une image optique ou une image RSO.
— Reconstruction d’un modèle 3D: ces algorithmes déduisent la géométrie et la structure 3D des objets
et des scènes, principalement à partir de la correspondance dense d’images multi-vues. Les TD sont
généralement composées d’images à deux ou plusieurs vues, avec les cartes de disparité ou les cartes de
profondeur correspondantes, respectivement, comme données de référence.
6.3 Modularisation
Le modèle conceptuel TrainingDML-AI fournit des modèles pour les éléments les plus importants des TD.
Ces éléments ont été identifiés comme étant soit nécessaires, soit importants dans de nombreuses tâches
d’IA/ML. Toutefois, les mises en œuvre ne sont pas tenues de prendre en charge l’intégralité du modèle
TrainingDML-AI pour être conformes au présent document. Les mises en œuvre peuvent utiliser un sous-
ensemble de constructions en fonction de leurs besoins spécifiques en matière d’information. À cette fin, la
modularisation est appliquée au modèle TrainingDML-AI.
Comme le montre la Figure 2, le modèle conceptuel TrainingDML-AI est décomposé thématiquement
en un module Base, un module Provenance, un module Qualité et un module Changeset (ensemble de
modifications). Le module Basic comprend les concepts et éléments de base, notamment AI_TrainingDataset,
AI_TrainingData, AI_Label et AI_Task, du modèle TrainingDML-AI, et doit donc être mis en œuvre par tout
système conforme. Le module Provenance fournit une définition complète de la provenance grâce à AI_
Labeling, AI_Labeler et AI_Labeling Procedure. Le module Quality permet de décrire la qualité des TD à
l’aide d’éléments AI_DataQuality. Le module Changeset définit AI_TDChangeset entre les versions des jeux
de données.
Figure 2 — Vue d’ensemble du module TrainingDML-AI
6.4 Principes généraux de modélisation
6.4.1 Modélisation des éléments
La
...