Étude du potentiel de la super-résolution de données de télédétection pour la cartographie

When:
31/01/2022 – 01/02/2022 all-day
2022-01-31T01:00:00+01:00
2022-02-01T01:00:00+01:00

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

Laboratoire/Entreprise : TETIS
Durée : 6 mois
Contact : dino.ienco@inrae.fr
Date limite de publication : 2022-01-31

Contexte :
A l’heure actuelle, une pléthore de missions satellitaires recueille en permanence des données de télédétection décrivant la surface de la Terre selon diverses modalités (par exemple, SAR ou optique) et à différentes résolutions spatiales et temporelles. Par conséquent, une même zone d’étude peut être couverte par des informations hétérogènes et multimodales. Ces informations sont d’une importance capitale pour surveiller les phénomènes spatio-temporels et produire des cartes d’occupation des sols afin de faciliter une agriculture durable, le suivi de l’artificialisation et les décisions de politique publique. Ces dernières années, la communauté des chercheurs en télédétection a porté son attention sur l’utilisation d’approches fondées sur l’apprentissage profond (ou deep-learning). Ces approches permettent d’intégrer des acquisitions de capteurs complémentaires disponibles sur la même zone d’étude [1], dans le but d’exploiter l’interaction entre des sources ayant différents contenus spectraux et spatiaux. L’objectif est d’améliorer la cartographie d’occupation du sol en tirant parti de toutes les sources d’imagerie disponibles.
Une tâche particulièrement intéressante pour la communauté de télédétection est l’augmentation de la résolution spatiale des images satellitaires à travers un processus dit de super-résolution [2]. Ce processus permet d’améliorer la résolution spatiale d’une image pour faciliter des analyses expertes ainsi que pour la classification supervisée ou la segmentation sémantique d’imagerie satellitaire [3]. Aujourd’hui, pour accomplir cette tâche, les méthodes de deep-learning de type Réseau Génératif Adverse (Generative Adversarial Networks, GAN) [2] ou d’autres approches basées sur des erreurs de reconstruction [4] sont de plus en plus utilisées du fait que leurs performances s’avèrent très intéressantes pour améliorer la résolution spatiale initiale des images satellitaires.

[1] D. Hong, L. Gao, N. Yokoya, J. Yao, J. Chanussot, Q. Du, B. Zhang: More Diverse Means Better: Multimodal Deep Learning Meets Remote-Sensing Imagery Classification. IEEE Trans. Geosci. Remote. Sens. 59(5): 4340-4354 (2021).

[2] D. Guo, Y. Xia, L. Xu, W. Li, X. Luo: Remote sensing image super-resolution using cascade generative adversarial nets. Neurocomputing 443: 117-130 (2021)

[3] X. Chen, Z. Li, J. Jiang, Z. Han, S. Deng, Z. Li, T. Fang, H. Huo, Q. Li, M. Liu: Adaptive Effective Receptive Field Convolution for Semantic Segmentation of VHR Remote Sensing Images. IEEE Trans. Geosci. Remote. Sens. 59(4): 3532-3546 (2021)

[4] B. Huang, B. He, L. Wu, Z. Guo: Deep Residual Dual-Attention Network for Super-Resolution Reconstruction of Remote Sensing Images. Remote. Sens. 13(14): 2784 (2021)

Sujet :
L’objectif du stage est de caractériser le potentiel de la super-résolution des images optiques Sentinel-2 (imagerie satellitaires multispectrales – 13 bandes spectrales couvrent du visible au proche/moyen visible – à 10m de résolution spatiale) à partir d’images optiques très haute résolution Spot-6/7 (imagerie satellitaires multispectrales – 1 bande panchromatique plus 4 bandes spectrales Rouge, Bleu, Vert et Proche Infrarouge – à 1,5m panchromatic et 6m multispectrales) pour la classification d’images au pixel.

En particulier, la mission de la personne recrutée seront:
Une étude bibliographique des méthodes à état de l’art en apprentissage profond, dans le domaine de la télédétection, pour la tâche de super-résolution spatiale;
La construction d’un jeu de données d’images Sentinel-2 et Spot-6/7;
Le choix de deux méthodes de super-résolution complémentaires, leur implémentation et leur application sur le jeu de données précédemment constitué;
L’évaluation des résultats des méthodes implémentées et leur comparaison en utilisant des métriques d’estimation de la qualité des images reconstruites;
L’évaluation des résultats obtenus avec les méthodes de super-résolution implémentées dans le contexte d’une application de classification supervisée d’images satellitaires sur une tâche de cartographie d’occupation du sol et/ou classification de la surface artificialisée.

Profil du candidat :
– Master en informatique ou un autre domaine des mathématiques appliquées, ou Diplôme d’Ingénieur.
– Connaissance requise du langage python, avec une première expérience de TensorFlow, Keras ou Pytorch.
– Compétences en traitement des signaux ou des images.
– Connaissance et expérience dans l’analyse de données de télédétection est un plus.
– Bon niveau en anglais (lecture).

Formation et compétences requises :
– Master en informatique ou un autre domaine des mathématiques appliquées, ou Diplôme d’Ingénieur.
– Connaissance requise du langage python, avec une première expérience de TensorFlow, Keras ou Pytorch.
– Compétences en traitement des signaux ou des images.
– Connaissance et expérience dans l’analyse de données de télédétection est un plus.
– Bon niveau en anglais (lecture).

Adresse d’emploi :
UMR TETIS,
500, Rue Jean François Breton
34090 Montpellier

Document attaché : 202111270922_Sujet_Stage.pdf