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

Laboratoire/Entreprise : LASTIG
Durée : 36 mois
Contact : clement.mallet@ign.fr
Date limite de publication : 2023-03-31

Contexte :
Face à l’érosion de la biodiversité et au réchauffement climatique, des mesures s’imposent pour préserver l’état de la planète. Ces mesures de préservation nécessitent de connaître l’état de la planète mais aussi d’être capable d’en suivre l’évolution avec la meilleure actualité possible.

Les données d’observation de la Terre (OT) sont désormais abondantes grâce à des efforts internationaux tels que le déploiement de la constellation européenne Sentinel-2, qui acquiert des images en couleur de toutes les zones du globe tous les cinq jours avec une résolution de 10 mètres. Des images de plus haute résolution peuvent être obtenues en France grâce à des programmes nationaux tels que SPOT-6/7 (Airbus/CNES, 1,5$:$m/pixel), Pléiades-Pléiades Néo (Airbus, 0,3m/px) ou la BDORTHO (IGN, 0,2m/px). Cependant ces images aériennes et satellites ne sont acquis qu’avec une fréquence allant d’un à trois ans.

Ainsi, l’observation de la Terre et le traitement des images sont une des sources d’information pour la mise en place de nombreuses politiques de protection des espaces naturels terrestres et marins. Cependant, l’annotation des images satellites ou aériennes est une tâche longue, coûteuse et fastidieuse qui doit être continuellement renouvelée.
Maintenant, qu’on était constitué de larges bases d’informations décrivant le territoire de différentes manières (tel que la BD Topo ou la BD Forêt de l’IGN), se pose la question de leur mise à jour.
Ainsi la tâche principale est d’être capable de détecter une différence entre une information présente dans une base de connaissances cartographique d’une région donnée et une nouvelle acquisition.
D’une part, les changements sont des phénomènes visuellement très variés mais aussi très rares. Par exemple, au sein de l’IGN, il a été montré que sur le département du Gers, seulement 5% du territoire avait été notablement modifié en 3 ans. Cependant, le parcours exhaustif de la totalité des acquisition est nécessaire pour de ne pas manquer un changement important.
L’investigation complète d’un département requièrent environ 300 heures de travail.
C’est pourquoi il est crucial de fournir de nouvelles méthodes pour assister et accélérer la mise à jour de la donnée géographique.

Le domaine de l’analyse d’image a connu cette dernière décennie une progression fulgurante, grâce au renouveau d’outils relativement anciens de l’intelligence artificielle, notamment les réseaux de neurones. Les réseaux convolutionnels ont permis d’obtenir des performances inédites en terme de reconnaissance d’objets, au prix d’apprentissages supervisés massifs. Cependant, l’apprentissage automatique pour l’observation de la Terre est presque toujours confronté à un manque d’ensembles de données annotées. Une grande partie des données disponibles est non annotée, c’est à dire sans information sémantique associée. Cette immense ensemble de données pourrait être utilisé comme une source d’information complémentaire pour l’apprentissage de modèles pour des applications telles que la surveillance de l’artificialisation des sols, de la déforestation ou du suivi des cultures.

Un point positif est que l’OT n’est pas le seul domaine où les annotations sont rares. L’annotation d’événements événements rares est un problème majeur dans la plupart, sinon la totalité, des applications d’apprentissage automatique. Une combinaison de deux solutions est adoptée pour pallier ce problème : l’augmentation de données (pour générer de nouvelles données annotées) et le pré-entraînement non supervisé ou auto-supervisé (pour exploiter des données non étiquetées).

Sujet :
Le travail de thèse consistera à développer des outils de détection de changements pour l’observation de la Terre reposant sur les progrès récents de l’apprentissage automatique. Contrairement à la plupart des travaux de détection de changements, le sujet:

– reposera sur des problématiques réelles opérationnelles issues de la surveillance du territoire, en particulier en lien avec la mise à jour des bases de données géographiques de l’IGN,
– identifiera les défis méthodologiques à relever pour bénéficier des progrès récents dans le domaine de l’apprentissage automatique, en particulier en ce qui concerne des problématiques d’augmentation de données et de pré-apprentissage mais dans le cadre de la télédétection.

Notons que la détection de changements regroupent plusieurs cas d’application.
Trois cas d’usage différents seront considérés :
– La comparaison de deux images d’une même zone obtenus par le même capteur;
– La comparaison de deux images d’une même zone obtenus par deux capteurs différents (aérienne et satellite par exemple);
– La comparaison entre une image et l’état de la connaissance passée de la zone (par exemple représentation sémantique de la zone).

Méthodologiquement, ce dernier cas est le plus complexe et le plus intéressant car il permet de mettre à jour la base de connaissances que l’on a du territoire et qui a pu déjà être mise à jour partiellement par d’autres voies. Cette base de connaissances peut aussi contenir des erreurs de saisies passées qui seront alors corrigées.

Profil du candidat :
– Familiarité avec la vision par ordinateur, l’apprentissage machine et l’apprentissage profond;
– Maîtrise de Python et familiarité avec PyTorch;
– Curiosité, rigueur, motivation;
– (Optionnel) Familiarité avec l’apprentissage auto/faiblement supervisé et contrastif;
– (Optionnel) Expérience avec l’imagerie aérienne ou satellite et la classification pour l’occupation des sols.

Formation et compétences requises :
Master 2 en informatique, computer sciences, mathématiques appliquées ou télédétection

Adresse d’emploi :
IGN, 73 avenue de Paris, 94160 Saint-Mandé

Document attaché : 202301111249_These2023_LASTIG_change_detection.pdf