Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : CIRAD – UMR TETIS (Térritoire, Environnement, Télé
Durée : 6 mois
Contact : raffaele.gaetano@cirad.fr
Date limite de publication : 2021-02-28
Contexte :
Le développement de la chaîne de traitement iota2 (Infrastructure pour l’Occupation des sols par Traitement Automatique Incorporant les Orfeo Toolbox Applications a été initié par l’UMR CESBIO (Centre d’Etudes Spatiales de la BIOsphère, Toulouse) dans l’objectif principal d’assurer la production opérationnelle de cartes d’occupation des sols à l’échelle nationale (France Métropolitaine) à partir de séries temporelles d’images à haute résolution spatiale (telles que les images issues des mission Sentinel
de l’ESA), comme établi par le Centre d’Expertise Scientifique « Occupation des SOls » (CES OSO) du Pôle Surfaces Continentales THEIA. Depuis, face aux besoins des utilisateurs, qui sont très variés, et aux contributeurs potentiels pouvant fournir des améliorations méthodologiques, iota2 évolue vers une plateforme puissante et flexible pour faciliter la mise en place de chaînes de traitement en télédétection pour l’occupation du sol à grande échelle.
Sujet :
Dans le cadres des activités du projet TOSCA PARCELLE soutenu par le Centre National d’Etudes Spatiales (CNES), nos objectifs actuels évoluent vers l’amélioration du workflow Moringa par l’intégration dans iota2 de nouvelles méthodes basées sur l’apprentissage profond récemment mises au point dans l’unité, couvrant des étapes allant des prétraitement des séries temporelles (super-résolution, interpolation des observations nuageuses) à l’extraction de descripteurs et la classification à objet. Pour ce stage, les activités se concentreront en particulier sur le développement dans iota2 de techniques d’extraction de descripteurs et de classification issues de l’apprentissage profond (deep learning) et adaptées à la stratégie de classification à objet et à l’utilisation conjointe de séries temporelles multi-capteurs (optiques/radar). Plus précisément, les contributions suivantes sont prévues:
– implémentation de méthodes de classification de séries temporelles basées sur des réseau de neurones récurrents et/ou convolutifs mono-dimensionnels;
— utilisation de réseaux d’apprentissage profond adaptés à la classification de séries temporelles d’images multi-capteurs (méthode TWINNS) en tant qu’extracteur de descripteurs pour l’approche OBIA.
Profil du candidat :
Etudiant M2 ou 3ème ingénieur en textbf{Informatique ou Télédétection / Géomatique}
Formation et compétences requises :
– bonnes compétences en programmation (Python);
– connaissance des textbf{méthodes d’apprentissage automatique} (machine – learning, deep learning) et des modules Python concernés (scikit-learn, TensorFlow/Keras, …);
– une compétence en manipulation de données géo-spatiales (raster/vecteur) est souhaitée;
– goût pour la recherche, l’innovation et le travail collaboratif intra- et inter-équipe.
Adresse d’emploi :
CIRAD, UMR TETIS
Maison de la Télédétection,
500 rue JF Breton, 34090, Montpellier (France)
Document attaché : 202102051053_stage_PARCELLE_2021.pdf