Modèles génératifs profonds pour la génération procédurale et la génération procédurale inverse
| Auteur / Autrice : | Ethan Luong |
| Direction : | Julien Perret, Nicolas Audebert |
| Type : | Projet de thèse |
| Discipline(s) : | Informatique |
| Date : | Inscription en doctorat le 01/03/2026 |
| Etablissement(s) : | Université Gustave Eiffel |
| Ecole(s) doctorale(s) : | École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication |
| Partenaire(s) de recherche : | Laboratoire : LASTIG -Laboratoire en Sciences et Technologies de l'Information Géographique |
Mots clés
Résumé
L'entraînement de modèles d'apprentissage profond pour l'interprétation d'images aériennes et satellitaires requiert de grandes quantités de données annotées. Toutefois, si d'importants volumes de données d'observation de la Terre sont disponibles grâce aux satellites européens Sentinel-2 et aux programmes français SPOT et BDORTHO, cette masse de données est non-étiquetée. En effet, peu d'images de télédétection sont étiquetées avec une information sémantique utile pour entraîner des réseaux profonds. Pour pallier ces difficultés, la recherche en intelligence artificielle s'est intéressée à la génération de bases de données d'images synthétiques. La popularisation de l'intelligence artificielle dite « générative » permet ainsi de produire des jeux de données annotés, en générant des images diverses dans des configurations connues. La génération procédurale est en outre un procédé historiquement bien connu dans la communauté du jeu vidéo, permettant de produire rapidement de grands mondes virtuels en trois dimensions.