Modélisation statistique de fond et applications à la télédétection

Statistical background modeling and applications in remote sensing

• Auteur / Autrice : Antoine Tadros
• Direction : Rafael Grompone von Gioi, Jean-Michel Morel, Sébastien Drouyer
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 23/11/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Centre Borelli
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Mathématiques (2020-….)
• Jury : Président / Présidente : Agnès Desolneux
• Jury : Examinateurs / Examinatrices : Beatriz Marcotegui, Coloma Ballester, Juan Matias Di Martino
• Jury : Rapporteur / Rapporteuse : Beatriz Marcotegui, Coloma Ballester

Mots clés

Mots clés contrôlés

Détection des anomalies (informatique)

Vision par ordinateur

Réseaux neuronaux (informatique)

Statistique

Mots clés libres

Méthode a-Contrario

Réseaux de Neurones

Vision par ordinateur

Théorie de la détection

A-Contrario method

Neural Networks

Computer Vision

Detection theory

Résumé

Cette thèse aborde certains problèmes de télédétection et de modélisation statistique de fond en utilisant la théorie a-contrario et des modèles de réseaux neuronaux artificiels. Le travail est motivé par deux applications en télédétection où le contrôle des fausses alarmes est un problème en raison de la large échelle des problèmes.L'identification et la mesure des sites de dépôts pétroliers à l'aide d'images satellites ont une valeur commerciale et stratégique importante. Nous nous intéressons ici au premier aspect : la détection de sites de stockage de pétrole par l'analyse de grandes quantités d'images satellite couvrant un pays ou un continent entier. Dans ce contexte, pour être utile, un algorithme doit atteindre un taux de rappel élevé tout en contrôlant le nombre de fausses détections et avec un coût de calcul réduit. La première méthode proposée ici commence par la détection d'objets circulaires, qui sont ensuite regroupés à l'aide de méthodes a-contrario ; en effet, les dépôts pétroliers correspondent souvent à un groupe dense de bâtiments cylindriques. L'approche est complétée par une procédure de patch-matching a-contrario pour récupérer les réservoirs manquants. Comme la méthode repose fortement sur la détection d'objets circulaires, plusieurs algorithmes de détection de cercles dans des images satellite à faible résolution sont comparés. L'algorithme a-contrario est également comparé à deux architectures de réseaux neuronaux pour la segmentation sémantique.La deuxième application de la télédétection est la détection des points chauds de jour à l'aide d'images satellites multibandes qui ne comportent pas de bandes thermiques. Cela permet de surveiller l'activité des raffineries de pétrole, des cimenteries et des aciéries, ainsi que l'activité des volcans.La première méthode proposée est basée sur un algorithme de détection d'anomalies.Une deuxième approche repose sur la mesure de l'adéquation des radiances mesurées dans les bandes spectrales sélectionnées au modèle du corps noir.Enfin, cette thèse traite de la détection d'éléments hors distribution, en anglais ''Out-of-Distribion'' (OOD) detection, dans les méthodes d'apprentissage profond. Une première approche consiste à compléter l'ensemble de données d'apprentissage par des données étrangères affectées à une classe supplémentaire hors distribution. L'entraînement du modèle sur un ensemble de données séparé aide ce dernier à discriminer les échantillons hors distribution, y compris ceux auxquels le modèle n'a jamais été exposé pendant l'entraînement. Une approche non supervisée de la détection des OOD est également présentée. Pour ce faire, une nouvelle couche de réseau neuronal est proposée, qui impose une représentation gaussienne pour une classe donnée. Grâce à cette nouvelle couche, chaque classe cible peut être représentée par une distribution gaussienne. Les nouveaux échantillons sont ensuite évalués pour déterminer s'ils appartiennent ou non à une classe cible en effectuant un test du chi-2 pour chacun d'entre eux. Les échantillons rejetés par tous les tests sont considérés comme OOD. Cette méthodologie permet également d'identifier les échantillons ambigus lorsqu'ils sont validés par plus d'une classe.

This thesis addresses some problems in remote sensing and statistical background modeling using the a-contrario theory and artificial neural network models. The work is motivated by two applications in remote sensing where the control of false alarms is an issue due to the large-scale nature of the problems.The identification and measuring of oil depots using satellite images has important commercial and strategic value. Here is addressed the former: the detection of oil storage sites while analyzing vast quantities of satellite images covering a whole country or continent. In this context, to be useful an algorithm needs to achieve a high recall while controlling the number of false detections and with a reduced computational cost. The first method proposed here starts by detecting circular objects, which are then clustered using the a-contrario framework; indeed, oil depots often correspond to a dense group of cylindrical buildings. The approach is completed by an a-contrario patch-matching procedure to recover the missing tanks. Since the method relies heavily on the detection of circular objects, several algorithms for detecting circles in low-resolution satellite images are compared. The a-contrario algorithm is also compared to two neural-network architectures for oil depot segmentation.The second remote sensing application is the detection of hot spots in the daytime using multi-band satellite images that do not have thermal bands. This allows the monitoring of the activity of oil refineries, cement works, and steel mills as well as the activities of volcanoes.The first proposed method is based on an anomaly detection algorithm.A second approach relies on measuring the fitness of the measured radiances in the selected spectral bands to the black body model.Finally, this thesis deals with out-of-distribution (OOD) detection in deep learning methods. A first approach is to supplement the training dataset with extraneous data assigned to an additional out-of-distribution class. Training the model on a segregated dataset helps the model to discriminate out-of-distribution samples, including those the model was never exposed to during training. An unsupervised approach to OOD detection is also presented. For that, a new neural network layer is proposed that enforces a Gaussian embedding for each class. Using this new layer, each target class can be represented by a Gaussian distribution. New samples are then evaluated as belonging to a target class or not by performing a chi-square test for each one. Samples rejected by all tests are considered OOD. This methodology also allows to identify ambiguous samples when validated by more than one class.