Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : IGN/CNAM/ONERA
Durée : 36 mois
Contact : nicolas.audebert@ign.fr
Date limite de publication : 2026-03-23
Contexte :
https://recrutement.cnes.fr/fr/annonce/4195913-26-252-dense-detection-of-rare-events-in-remote-sensing-using-generative-models-75003-paris
Sujet :
L’objectif principal de la thèse est de développer de nouvelles méthodologies pour la détection dense d’événements rares dans des images de télédétection multimodales, incluant des données optiques, radar (SAR) et d’autres sources multimodales. En particulier, ce travail ciblera les capteurs Sentinel-1/2, SPOT-6/7, Pléiades/Neo afin de combiner plusieurs modalités, résolutions et fréquences de revisite, pour localiser des anomalies géographiques provoquées par événements exceptionnels, comme des catastrophes naturelles.
Cette thèse s’inscrit dans la thématique large de la détection de changement en télédétection multimodale. La méthode ne demande pas de cibler un type d’anomalies particulier. Les anomalies détectées pourraient être des inondations, des feux de forêt, des avalanches, de la fonte de la neige… De nombreux jeux de données sont déjà existants : tel que xView², Burn Scars HLS, SEN12Flood, ainsi qu’un jeu de données de détection de la fonte de neige préparée à l’ONERA.
L’approche proposée s’appuie sur l’état de l’art en apprentissage faiblement supervisé, notamment à l’aide de modèles génératifs. En effet, ces modèles apprendre la distribution des images de façon non supervisée et permettent d’obtenir des scores de vraisemblance, qui peuvent être transformées en scores d’anomalies. Cependant, lorsque seule une partie de l’image est anormale, les scores obtenus à l’échelle de l’image peuvent ne pas refléter cette anomalie, surtout si la zone anormale contient peu de pixels. Ceci nécessite la mise en place de détection d’anomalie à l’échelle du pixel et non plus à l’échelle de l’image. De plus, les anomalies que l’on cherche à détecter en télédétection ne sont pas « hors distribution » de façon générale, mais le sont conditionnellement à un lieu, un instant d’acquisition et un capteur. Enfin, la thèse se place dans un contexte multimodal, où plusieurs types d’imagerie peuvent être utilisés : aérien, SPOT-6/7, Pléiades et Pléiades Neo, Sentinel-2, voire Sentinel-1. Il est donc nécessaire de conditionner les méthodes génératives au type d’imagerie qui permettent de contenir l’information commune sous-jacente (l’information sémantique sur les objets à la surface de la Terre) et de détecter les anomalies, quel que soit le capteur.
1. Dans un premier temps, on suppose que l’on sait qu’un évènement rare est dans une image et on applique des méthodes de détection de zone d’intérêt non supervisées ou supervisées par le langage pour le localiser. Cette étape permet d’évaluer quelle méthode de détection de zone d’intérêt serait la plus pertinente pour les évènements rares que l’on cherche à détecter.
2. Dans un deuxième temps on cherche à modifier les détecteurs d’évènements rares par modèle génératif en s’appuyant sur la méthode sélectionnée à l’étape 1 pour un détecter d’évènement par des modèles génératifs au sein d’une image. De plus, cette étape nécessite l’étude de conditionnement spatial et temporel des méthodes génératives en télédétection pour améliorer l’estimation de la vraisemblance.
Profil du candidat :
Formation et compétences requises :
Adresse d’emploi :
IGN – Géodata Paris, 6-8 avenue Blaise Pascal, 77420 Noisy-Champs
Cnam, 2 rue Conté 75003 Paris