Apprentissage profond et espaces de représentation pour l'interprétation des images satellitaires multi-capteurs
Auteur / Autrice : | Emile Barbier-renard |
Direction : | Florence Tupin |
Type : | Projet de thèse |
Discipline(s) : | Informatique, données, IA |
Date : | Inscription en doctorat le 17/10/2022 |
Etablissement(s) : | Institut polytechnique de Paris |
Ecole(s) doctorale(s) : | École doctorale de l'Institut polytechnique de Paris |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de Traitement et Communication de l'Information |
Equipe de recherche : IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse |
Mots clés
Résumé
L'objectif de cette thèse est de construire un cadre de représentation générique et robuste permettant l'interprétation de scènes satellitaires à partir de données hétérogènes. Pour cela, nous proposons de construire une représentation de haut niveau de la scène qui pourra être utilisée pour différentes tâches, en nous appuyant sur une architecture d'apprentissage profond. Cette représentation pourra être alimentée par différents types de données (données optiques, données SAR de différentes modalités -amplitude, interférométrie, tomographie-) pour donner une interprétation de la scène à différents niveaux (information de classes, hauteurs, évolutions temporelles, types de matériaux ou de rétro-diffuseurs, ). Deux axes de recherche seront développés. D'une part, nous proposons d'exploiter les architectures des auto-encodeurs, et en particulier les auto-encodeurs variationnels pour construire des espaces de représentations possédant des propriétés d'invariance. D'autre part, nous proposons d'introduire des relations spatiales entre les objets ou leurs parties dans les architectures de réseaux développées. Les méthodes développées pourront être exploitées dans différents contextes : interprétation de scène en imagerie satellitaire multi-capteurs (milieu urbain ou applications environnementales), mise à jour lors de nouvelles acquisitions, détection de changements.