[PostDoc] Détection de changement et de classification sémantique pour des données multimodales SAR / optiques
L’objectif de ce post-doc est de concevoir des approches de détection de changement et de classification sémantique pour des données multimodales SAR / optiques. Cela pose plusieurs problématiques à traiter successivement.
>> Détection de changements rapide et massive
Récemment, une méthode a été développée à l’ONERA pour détecter rapidement les changements dans une pile temporelle à partir des images radar Sentinel 1 en source ouverte [Colin-Koeniguer et al, 2018a]. Cette méthode s’avère très efficace pour instancier rapidement une grande base d’exemples de changements localisés et datés. [Colin-Koeniguer et al, 2018b] L’idée de ce projet de recherche est d’utiliser cet algorithme pour instancier une base de données potentielle, pour des changements typiques d’échelles intermédiaires de la dizaine de mètres, tels que des chantiers de construction, travaux de voirie. La localisation de ces changements et leur datation obtenue en radar pourrait être couplée à d’autres bases de données d’occupation des sols, et à une recherche automatique d’images optiques type Pléiades haute résolution, pour obtenir des couples d’images avant et après la date de l’événement. L’idée première est donc d’utiliser au maximum les données radar pour constituer une base d’apprentissage multimodale contenant des images optiques haute résolution.
>>Réseaux de neurones pour la détection de changements et la classification sémantique
Mettre en place des stratégies d’apprentissage sur cette base, et notamment sur le corpus d’images optiques, permettra d’obtenir des détecteurs de changements dans des images optiques haute résolution très performants. En effet, les jeux de données dédiés à cette problématique sont rares et souffrent souvent d’annotations imprécises et erronées [Daudt et al., 2018a][Daudt et al., 2018b]. Bien sûr, plusieurs problèmes subsisteront pour la validation du jeu d’apprentissage : élimination des zones nuageuses, caractérisation et pertinence des changements détectés en SAR, etc. Ensuite, le croisement de ces images avec des données cartographiques (OpenStreetMap, cadastre, etc.) permettra de développer des architectures de réseau de neurones pour la classification sémantique de l’occupation et de l’usage du sol [Audebert et al., 2016][Zhu et al., 2017] ainsi que pour la classification sémantique des changements, outil indispensable pour étudier et comprendre l’évolution des usages des espaces urbains et naturels.
Contexte
Mihai DATCU est un chercheur de renommée internationale dans le domaine des sciences des données d’observation de la Terre, dont le projet de recherche se concentre sur les nouveaux défis de l’apprentissage automatique de données très hétérogènes. En 2017, il a reçu la Chaire d’excellence internationale « Blaise Pascal », GEN-F213-3 (GEN-SCI-034) financée par la Région Ile-de-France, attribuée à des chercheurs étrangers de renommée mondiale dans un établissement de recherche ou d’enseignement supérieur en Ile-de-France. A ce titre, il est hébergé par le CEDRIC-CNAM et propose une collaboration avec l’ONERA à travers le sujet postdoctoral suivant.
Dans le laboratoire CEDRIC du CNAM (http://cedric.cnam.fr(link is external)), plusieurs activités de recherche se concentrent sur l’apprentissage machine pour la vision par ordinateur et en particulier sur l’apprentissage zéro tir, l’apprentissage profond à partir des données de flux et l’apprentissage profond en télédétection. A l’ONERA, l’équipe IVA (Image Vision LeArning) conçoit et développe des méthodes de traitement des données, de vision par ordinateur et d’apprentissage machine. En particulier, les activités de recherche actuelles se concentrent sur la R-S et l’observation optique de la Terre, la compréhension des scènes et les réseaux neuronaux profonds. Le post-doc est cofinancé par la Chaire Internationale « Blaise Pascal » (hébergée au CNAM) et par l’ONERA, l’étudiant bénéficie ainsi d’une double affiliation avec l’ONERA et le CNAM.
Durée: 18 à 21 months
Salaire net environ 25 k€ par an
PROFIL DU CANDIDAT Formation : Thèse souhaitée dans le domaine de l’imagerie
Compétences souhaitées : Deep learning. Capacité de publication attestée. Connaissances en télédétection / contexte de données satellites sont un plus
Contact
- Elise KOENIGUER elise.koeniguer@onera.fr
- Bertrand LE SAUX bertrand.le_saux@onera.fr
- Mihai DATCU (mihai.datcu@dlr.de
- Michel CRUCIANU michel.crucianu@cnam.fr
postdocCnamOnera.pdf