Analyse d'images satellitaires urbaines ou agricoles par apprentissage profond basé sur la factorisation matricielle multi-objective évolutionnaire.

Urban or agricultural remote sensing image analysis using deep matrix factorization and multiobjective evolutionary optimization

• Auteur / Autrice : Zeinab Jaber
• Direction : Matthieu Puigt, Ghaleb Faour
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et des images
• Date : Inscription en doctorat le 22/02/2024
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : LISIC - Laboratoire d'Informatique, Signal et Image de la Côte d'Opale

Mots clés

Mots clés libres

Factorisation en matrices non-négatives

Données de grande dimension

Optimisation multi-objective évolutionnaire

Factorisation multi-couches

Apprentissage profond

Imagerie satellitaire

Non negative matrix factorization

High dimensional Data

Multi-objective Optimization

Multi-layer factorization

Deep Learning

Remote Sensing

Résumé

L'imagerie hyperspectrale satellitaire a connu de nombreux développements durant ces dernières décennies, fournissant notamment pour chaque pixel une signature spectrale propre au(x) matériau(x) observé(s). Le démélange de ces images fournit à la fois l'ensemble des signatures spectrales des matériaux observés et des cartes d'abondance de chacun de ces matériaux, permettant par la suite de nombreux post-traitements (classification, segmentation, modélisation, etc). La factorisation en matrices non-négatives (NMF) est une des méthodes phare de démélange. Cet outil est très populaire en apprentissage, traitement du signal et traitement des images, de part la meilleure interprétabilité qu'il permet par rapport à des approches sans contrainte de signe. Cependant, elle nécessite souvent dans son optimisation le rajout de fonctions de pénalisation pour générer de meilleurs résultats. Choisir les bonnes fonctions de pénalisation et leur pondération a priori nécessite un degré d'expertise qui peut être relâché par l'utilisation d'approches d'optimisation multi-objectif évolutionnaires. Quelques récents travaux sur l'utilisation de ces méthodes pour l'optimisation bi-objective ont montré l'intérêt de ces techniques mais leur extension à de nombreuses fonctions objectif reste un problème ouvert. De plus, des extensions profondes de NMF (ou Deep NMF) ont été proposées récemment et ont montré leur supériorité à la NMF conventionnelle. Ces méthodes, qui peuvent aussi nécessiter des termes de pénalisation dans les différentes couches de la Deep NMF, n'ont pas encore été combinées à l'optimisation multi-objectif. L'objectif de cette thèse consistera à développer de nouvelles approches de Deep NMF combinées à l'optimisation multi-objectif évolutionnaire. Ces méthodes seront appliquées aux données hyperspectrales satellitaires, pour des applications urbaines (caractérisation des couvertures des sols pour le positionnement de fermes solaires, analyse des points chauds urbains, etc) ou agricole (détection automatique des plantes, mesure du stress hydrique et du taux de chlorophylle).

Satellite hyperspectral imaging has undergone numerous developments over the last few decades, providing each pixel with a spectral signature which is specific to the material(s) observed. Hyperspectral unmixing provides both the spectral signatures of all the observed materials in an hyperspectral image and their associated abundance maps, enabling numerous post-processing operations, e.g., classification, segmentation, modeling. Nonnegative Matrix Factorization (NMF) is one state-of-the-art unmixing method. This tool is very popular in machine learning, signal processing, and image processing, due to the better interpretability of its outputs with respect to approaches without sign constraints. However, its optimization often requires the addition of penalization functions to generate better results. Choosing the right penalization and their associated weights requires a degree of expertise which can be relaxed by using multi-objective evolutionary optimization approaches. Some recent work on the use of these methods for bi-objective optimization has shown the interest of these techniques, but their extension to many objective functions remains an open problem. In addition, deep NMF extensions have been recently proposed and have exhibited a superior performance than conventional NMF. These methods, which may also require penalty terms in the different layers of Deep NMF, have not yet been combined with multi-objective optimization. The aim of this thesis will be to develop new Deep NMF approaches combined with evolutionary multi-objective optimization. These methods will be applied to hyperspectral satellite data, for urban applications (ground cover characterization for solar farm positioning, urban hotspot analysis, etc.) or agricultural applications (automatic plant detection, measurement of water stress and chlorophyll content).