Détection d'anomalies du sol par vision artificielle et apprentissage fédéré

Ground anomaly detection using computer vision and federated learning

• Auteur / Autrice : Joshua Salazar
• Direction : Hedi Tabia
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne

Mots clés

Mots clés libres

Vision par ordinateur

Apprentissage fédéré

Détection d'anomalies

Vision-based AI

Federated Learning

Anomaly Detection

Résumé

Cette thèse porte sur le développement d'un système embarqué de détection d'anomalies pour les satellites d'observation de la Terre, basé sur l'intelligence artificielle visuelle. Elle vise à surmonter les limites des approches centralisées, notamment la latence, les coûts de transmission et le manque d'autonomie en traitement temps réel. L'étude propose d'intégrer l'apprentissage fédéré afin de permettre une collaboration entre satellites sans partage direct des données brutes, garantissant ainsi confidentialité et robustesse. Le système exploitera l'apprentissage auto-supervisé, des modèles de vision optimisés pour l'edge computing et des techniques d'IA explicable pour améliorer la fiabilité et l'interprétabilité. L'objectif final est de rendre les satellites plus intelligents et résilients, capables de détecter rapidement des phénomènes critiques tels que les incendies, les inondations ou les anomalies thermiques, au service de la surveillance environnementale mondiale.

This thesis focuses on developing an onboard anomaly detection system for Earth observation satellites, powered by vision-based artificial intelligence. It aims to overcome the limitations of centralized approaches, such as latency, transmission costs, and lack of real-time autonomy. The study proposes the use of federated learning to enable collaboration between satellites without directly sharing raw data, thus ensuring both privacy and robustness. The system will leverage self-supervised learning, vision models optimized for edge computing, and explainable AI techniques to enhance reliability and interpretability. The ultimate goal is to make satellites more intelligent and resilient, capable of rapidly detecting critical events such as wildfires, floods, or thermal anomalies in support of global environmental monitoring.