Offre en lien avec l’Action/le Réseau : PLATFORM/Doctorants
Laboratoire/Entreprise : Laboratoire d’Informatique, Systèmes, Traitement
Durée : 4 à 6 mois
Contact : emna.amri@univ-smb.fr
Date limite de publication : 2021-01-31
Contexte :
Multidisciplinaire: développement, recherche
Mots clés: Deep learning, intelligence artificielle, télédétection, imagerie, segmentation
sémantique.
Données: image satellite (SAR) Sentinel-1
Sujet :
De nos jours, l’observation de la terre 24h/24 à l’aide d’images SAR (Synthetic Aperture
Radar) est un outil permettant à répondre à de nombreuses problématiques d’observation
des sols et des mers. L’exploitation de ces données volumineuses s’appuie de plus en plus
sur des méthodologies big data et le deep learning.
Le cadre de ce sujet de stage s’intéresse à la surveillance de la surface de la mer pour la
détection d’hydrocarbures. Le but est d’aider les photo-interprètes à détecter plus aisément
ces éléments. Des méthodes basées sur l’apprentissage automatique et en particulier les
réseaux de neurones seront mis en œuvre.
Le sujet de stage se décompose en différentes étapes :
1) Prise en main des données et des outils mis à disposition.
2) Mise en œuvre et l’adaptation des réseaux neuronaux de manière supervisée en
utilisant les données SAR. Analyse des prédictions et recherche de justifications
avec des outils comme Gradcam*.
3) Enrichissement de la base de données par des images générés/simulées par l’usage
des réseaux Generative Adversarial Networks(GANs). Etude de l’impact sur les
performances du modèle.
A noter : une plateforme de calcul intensif sera mise à disposition
Références :
Emna, Amri, et al. “Offshore Oil Slicks Detection From SAR Images Through The Mask-
RCNN Deep Learning Model.” 2020 International Joint Conference on Neural Networks
(IJCNN). IEEE, 2020.
*Girard-Ardhuin, Fanny, Grégoire Mercier, and René Garello. “Oil slick detection by SAR imagery: potential and limitation.” Oceans 2003. Celebrating the Past… Teaming Toward the Future (IEEE Cat. No. 03CH37492). Vol. 1. IEEE, 2003.
Saxena, Divya, and Jiannong Cao. “Generative Adversarial Networks (GANs): Challenges,Solutions, and Future Directions.” arXiv preprint arXiv:2005.00065 (2020).
*Selvaraju, Ramprasaath R., et al. “Grad-cam: Visual explanations from deep networks via gradient-based localization.” Proceedings of the IEEE international conference on computer vision. 2017.
Profil du candidat :
Master 2, Ingénieur
Formation et compétences requises :
Connaissances en traitement d’images, intérêts pour les réseaux de neurones
Informatique: Python, Linux
Autonomie
Adresse d’emploi :
LISTIC, Polytech Annecy-Chambéry, 5 chemin de bellevue, Annecy-le-vieux, 74 940 Annecy
Document attaché : 202012122205_2021_stage_IA.pdf