Annonce en lien avec l’Action/le Réseau : Doctorants
Laboratoire/Entreprise : ONERA
Durée : 3 ans
Contact : elise.koeniguer@onera.fr
Date limite de publication : 2020-07-01
Contexte :
Grâce à la stabilité des conditions d’acquisition, l’imagerie RSO (Radar à Synthèse d’Ouverture) ou SAR (Synthetic Aperture Radar) permet la surveillance de grandes scènes et l’identification de cibles d’intérêt. Modéliser et simuler des images SAR permet de tester des nouvelles configurations d’acquisition, de développer de nouveaux algorithmes et d’en tester leurs performances dans un environnement contrôlé.
Différents modèles électromagnétiques sont inclus dans le système de simulation EMPRISE [1] développé à l’ONERA. Ces modèles permettent de simuler de façon adaptée l’environnement marin, terrestre, urbain ou les cibles d’intérêt. Pour simuler l’environnement terrestre ou urbain, il est nécessaire d’avoir des informations géographiques sur la scène à simuler. Ces informations comprennent la position des différents éléments ou infrastructures présents sur la scène (bâtiment, champs, route, forêts, …) ainsi que les matériaux qui constituent ces éléments (routes de gravier ou de goudron, forêts de pins ou de feuillus,…). Deux types de base de données sont considérées : les bases géo-spécifiques, qui correspondent à un endroit précis, et les bases géo-typiques, qui ne correspondent à aucun endroit précis. Les bases géo-spécifiques permettent la comparaison entre des images de synthèse et des images réelles.
Différentes bases de données géographiques géo-spécifiques ont été mises en place à l’ONERA, souvent à partir de la modification manuelle de données existantes (par exemple venant de l’IGN dans le cas de la France). Les modifications doivent être apportées pour mettre à jour les bases par rapport aux dates d’acquisition des images SAR, mais aussi parce que les éléments présents dans ces bases de données ne correspondent pas toujours aux éléments nécessaires pour la simulation radar. Par exemple, les images SAR sont très sensibles aux effets géométriques et aux éléments métalliques. Des petits éléments tels que des murs de clôture, les lampadaires ou les petits ravins ne sont pas renseignés dans ces bases de données alors qu’ils ont un impact non négligeable sur l’image SAR.
Sujet :
L’objectif de cette thèse est de développer des méthodes automatiques de création de bases de données géo-spécifiques. Les méthodes par apprentissage profonds obtiennent déjà de bon résultats de classification et de segmentation à partir d’images optiques de télédétection [2, 3, 4]. Seulement, les classes considérées dans ces algorithmes ne sont pas exactement celles nécessaires pour la simulation radar. Cette thèse se propose dans un premier temps de modifier les bases d’apprentissages de ces algorithmes pour inclure les classes nécessaires au radar. Ces bases d’apprentissage pourront être dérivées de bases existantes à l’ONERA.
Une deuxième étape est de modifier les architectures des réseaux pour inclure des informations issues des images SAR, telles que les densités de points très énergétiques ou les éléments géométriques. En effet, les images optiques et SAR n’étant pas de même nature, toutes les informations nécessaires à la simulation SAR ne seront pas forcément disponibles dans les images optiques. Utiliser des données SAR conjointement aux données optiques pour la prédiction pourra également être envisagé. Cet axe de recherche est relativement nouveau, et pourra s’inspirer de travaux utilisant une unique modalité [5, 6, 7].
Utiliser des données ouvertes telles que les données des satellites de l’ESA Sentinel-1 (SAR) ou Sentinel-2 (optique) permettra d’obtenir une couverture globale de la prédiction. Cependant ces images ont des résolutions plus grossières que ce qui est nécessaire pour la simulation. Un autre axe de recherche envisagé dans ce travail est l’utilisation de techniques de fine tuning qui permettraient, à partir de ce qui a été appris sur une grande base d’images faiblement résolues, d’apprendre un modèle utilisant des données haute résolution à partir d’un faible nombre de données annotées. Enfin, ce problème pourra éventuellement être traité dans un cadre faiblement supervisé (où les données basse résolution serviront d’annotation faible pour les données haute résolution) [8].
[1] N. Trouvé, Référent environnement : la démarche collaborative d’EMPRISE, ENVIREM 2019.
[2] Audebert, Nicolas, Bertrand Le Saux, and Sébastien Lefèvre. “Semantic segmentation of earth observation data using multimodal and multi-scale deep networks.” Asian conference on computer vision. Springer, Cham, 2016.
[3] Damodaran, B. B., Fatras, K., Lobry, S., Flamary, R., Tuia, D., & Courty, N. (2019). Pushing the right boundaries matters! Wasserstein Adversarial Training for Label Noise. arXiv preprint arXiv:1904.03936.
[4] Volpi, Michele, and Devis Tuia. “Dense semantic labeling of subdecimeter resolution images with convolutional neural networks.” IEEE Transactions on Geoscience and Remote Sensing 55.2 (2016): 881-893.
[5] Zhang, Zhimian, et al. “Complex-valued convolutional neural network and its application in polarimetric SAR image classification.” IEEE Transactions on Geoscience and Remote Sensing 55.12 (2017): 7177-7188.
[6] Yao, Wei, Dimitrios Marmanis, and Mihai Datcu. “Semantic segmentation using deep neural networks for SAR and optical image pairs.” Proc. Big data from space (2017): 1-4.
[7] Lobry, S., Denis, L., Tupin, F., & Fj, R. (2017, July). Double MRF for water classification in SAR images by joint detection and reflectivity estimation. In 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 2283-2286). IEEE.
[8] Yao, Xiwen, et al. “Semantic annotation of high-resolution satellite images via weakly supervised learning.” IEEE Transactions on Geoscience and Remote Sensing 54.6 (2016): 3660-3671.
Profil du candidat :
La candidate/le candidat a un master 2 recherche ou un diplôme d’ingénieur en traitement du signal et des images.
Formation et compétences requises :
Des compétences en informatique (python, matlab,…) et un intérêt pour la physique sont aussi attendues.
Adresse d’emploi :
ONERA DEMR
Centre de Palaiseau
91120 Palaiseau