Thèse soutenue

Approches conjointes de modélisation et d'apprentissage pour l'imagerie hyperspectrale et la détection de changements

FR  |  
EN
Auteur / Autrice : Xiuheng Wang
Direction : Cédric Richard
Type : Thèse de doctorat
Discipline(s) : Sciences pour l'ingénieur
Date : Soutenance le 27/06/2024
Etablissement(s) : Université Côte d'Azur
Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire Joseph-Louis Lagrange (Nice, Alpes-Maritimes ; 2012-....)
Jury : Président / Présidente : Gersende Fort
Examinateurs / Examinatrices : Cédric Richard, Gersende Fort, Jean-Yves Tourneret, Arnaud Breloy, Geert Leus, Ricardo Augusto Borsoi
Rapporteurs / Rapporteuses : Jean-Yves Tourneret, Arnaud Breloy

Résumé

FR  |  
EN

À l'ère de l'intelligence artificielle, on observe un consensus croissant sur le fait que des solutions à des problèmes complexes de science et d'ingénierie nécessitent de nouvelles méthodologies qui peuvent associer des méthodes de modélisation physique à des techniques d'apprentissage automatique, en recourant à l'optimisation stochastique et aux réseaux neuronaux profonds. Cette thèse vise à étudier des méthodes permettant de combiner les avantages de la modélisation basée sur la physique et de l'apprentissage automatique, en accordant une attention particulière à deux questions importantes de traitement du signal : la résolution de problèmes inverses en imagerie hyperspectrale et la détection de changements dans des séries temporelles. La première partie de la thèse traite de l'apprentissage d'informations a priori dans une démarche orientée modèles pour la résolution de problèmes inverses en imagerie hyperspectrale. Tout d'abord, nous introduisons un algorithme Plug-and-Play pour la déconvolution des images hyperspectrales (HID). Plus précisément, nous décomposons le problème d'optimisation correspondant en deux sous-problèmes résolus itérativement, et apprenons les informations a priori profondes pour résoudre le sous-problème de débruitage aveugle à l'aide de réseaux neuronaux, et estimons les hyperparamètres à l'aide d'une mesure de la blancheur résiduelle. Dans un second temps, nous introduisons une méthode originale de fusion d'images hyperspectrales et multispectrales (HMIF). Elle s'appuie sur des réseaux neuronaux pour apprendre des informations a priori sur les images, à partir de données, dans le but de résoudre le problème d'optimisation en tenant compte de la variabilité entre les images. Nous proposons également une stratégie "zero-shot" pour apprendre l'a priori spécifique à l'image de manière non supervisée. La deuxième partie de la thèse se concentre sur l'apprentissage de séries temporelles en vue de détection de changements. Tout d'abord, nous proposons une méthode de détection de changements (CPD) utilisant une approche en ligne reposant sur des réseaux neuronaux et leur apprentissage en continu pour estimer directement le rapport des fonctions de densité des observations entre deux fenêtres temporelles glissantes. Ensuite, nous introduisons un algorithme non paramétrique pour la CPD en ligne dans le cas de signaux multi-variés. Nous fournissons des limites théoriques sur les taux de détection et de fausse alarme à l'aide d'un nouveau résultat sur la convergence non asymptotique de l'algorithme de gradient stochastique sur des variétés riemanniennes. Enfin, nous étendons cet algorithme à la CPD distribuée en ligne sur des signaux multi-variés sur graphes, et proposons une implémentation parallèle sur graphe. Ceci améliore considérablement la détection de changements survenant dans des communautés fortement connectées, inconnues, des réseaux.