Apprentissage collaboratif multi-paradigme pour l’analyse de séquences d’images de télédétection

When:
29/01/2021 – 30/01/2021 all-day
2021-01-29T01:00:00+01:00
2021-01-30T01:00:00+01:00

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : MIA (AgroParisTech) et ICube (Université de Strasb
Durée : 5 à 6 mois
Contact : gancarski@unistra.fr
Date limite de publication : 2021-01-29

Contexte :
Ce stage de Master 2, très fortement orienté Recherche, s’inscrit dans le cadre d’un projet co-porté par les laboratoires MIA (AgroParisTech) et ICube (Université de Strasbourg) en collaboration étroite avec le CNES (Centre National d’Études Spatiales). Ce projet a pour but de développer des méthodes innovantes en apprentissage automatique pour l’étude et l’interprétation de séries d’images de télédétection en vue d’extraire et mettre en évidence les phénomènes sous-jacents affectant les zones étudiées (urbanisation, occupation des sols, pratiques agricoles, érosion…). Il s’agit d’un problème difficile pour lequel des algorithmes peuvent s’appuyer sur des données variées, dont certaines, assez peu nombreuses, ont été étiquetées par des experts, et d’autres, beaucoup plus nombreuses, ne l’ont pas été.

Sujet :
L’objectif de ce stage est d’étudier les concepts entrant dans la définition de méthodes d’apprentissage collaboratif multi-paradigme pour des données temporelles dans lesquelles des agents d’apprentissage supervisé et des agents d’apprentissage non supervisé collaborent afin d’améliorer mutuellement leur résultat et, in fine, de parvenir à une interprétation consensuelle de ces données.}

Il s’agira en particulier de répondre des questionnements scientifiques tels que :
– Quelles informations (données, hypothèses, contraintes…) les méthodes doivent elles échanger pour mettre en place cette collaboration ?
– Comment évaluer globalement ou deux à deux des résultats par nature différent (modèle vs regroupement par exemple) ?
– Comment en déduire globalement ou au niveau des agents, les actions à entreprendre pour améliorer les résultats et/ou consensus courants?
– Comment combiner les avis des différents agents en un consensus ?
– Dans un scénario d’échanges itératifs, comment assurer une convergence ?

La littérature propose déjà un certain nombre des réponses plus ou moins partielles pour des apprentissages particuliers sur lesquelles le travail de stage pourra s’appuyer. En apprentissage supervisé, on citera les méthodes d’ensemble (e.g. boosting,co-learning…) ou les approches semi-supervisées . Par contre, hormis la méthodeSamarah proposée par ICube, très peu de résultats sont établis dans le cadre de méthodes essentiellement non supervisées, en particulier dans le cas du clustering collaboratif. Mais, ces cadres sont tous très contraints et ne s’étendent pas directement à l’étude de l’apprentissage collaboratif multi-paradigme avec des données hétérogènes mesurées dans le temps.

Profil du candidat :
Master 2 en Informatique ou équivalent en École d’ingénieur

Avoir une appétence forte pour le recherche en informatique et dans le domaine de la télédétection
Être curieux et autonome, tout en ayant le goût du travail en équipe

La volonté de poursuivre en thèse sera un plus indéniable. Une thèse est d’ores et déjà finançable. Ce stage sera donc un bon tremplin …

Formation et compétences requises :
Avoir de solides connaissances en apprentissage automatique.
Avoir de bonnes notions d’analyse de séries temporelles
Etre à l’aise dans l’écriture de programmes Python et/ou en JAVA

Une connaissance en analyse d’images de télédétection est un plus mais n’est pas obligatoire, une formation à l’analyse de ce type de données sera assurée.

Adresse d’emploi :
Le stagiaire pourra choisir le lieu de déroulement de stage entre :
– UMR MIA (Mathématiques et Informatique Appliquées) 16, rue Claude Bernard, 75005 Paris
et
– UMR ICUBE – Université de Strasbourg , 300 bld Sébastien Brant, 6412 Illkirch

Document attaché : 202012011403_Sujet-M2-CNES.pdf