Réseaux profonds pour l'analyse d'activité multi-temporelle en télédétection

par Rodrigo caye Daudt

Projet de thèse en Informatique, données, IA

Sous la direction de Yann Gousseau, Alexandre Boulch et de Bertrand Honoré Henri Le Saux.

Thèses en préparation à l'Institut polytechnique de Paris , dans le cadre de Ecole Doctorale de l'Institut Polytechnique de Paris , en partenariat avec LTCI - Laboratoire de Traitement et Communication de l'Information (laboratoire) , IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse (equipe de recherche) et de Télécom ParisTech (établissement de préparation de la thèse) depuis le 01-10-2017 .


  • Résumé

    L'imagerie satellitaire et aérienne est de première importance pour résoudre des situations de crise, prévenir les conséquences de catastrophes naturelles ou gérer précisément l'activité urbaine. Avec l'augmentation du nombre de satellites en orbite, nous serons bientôt capables d'obtenir chaque jour des images d'à peu près n'importe quel endroit de la planète. Cependant les changements entre deux images sur une période de courte durée sont subtils et compliqués à détecter. Il est encore plus difficile de comprendre leur importance pour prédire l'évolution future d'un endroit particulier. L'analyse de motifs spatio-temporels, souvent bruités, requiert des modèles statistiques puissants qui doivent encore être conçus. Ces dernières années ont vu l'adoption large des techniques d'apprentissage profond (ou deep learning) pour des tâches variées de la vision par ordinateur. En télédétection et en analyse de données d'observation de la Terre, notre équipe a développé des algorithmes pour la classification et la détection qui ont obtenu les meilleures performances de l'état de l'art [DFC 2015, ACCV 2016]. Avec cette thèse, nous voulons maintenant découvrir comment les réseaux profonds peuvent aider à la compréhension des séries d'images satellite multi-temporelles. Les axes de recherche envisagés sont les suivants : * Classification sémantique d'images aériennes et satellitaires, multi-source et à des résolutions variées (de la Très Haute Résolution à la résolution des satellites Sentinelle); * Architectures de Deep Learning : conception de réseaux neuronaux profonds pour détecter des changements (→ siamese networks [Chopra 2005, Zagoruyko 2015] ou adversarial nets [Goodfellow 2014]) et pour modéliser l'évolution temporelle dans une série d'images (→ recurrent networks) ; * Investigation de l'utilité des outils classiques de comparaison d'images (descripteurs locaux [TGRS 2015], modèles paramétriques de déformation, prise en compte de la structure 3D, etc.) dans un contexte d'analyse de séries temporelles par réseaux profonds. Une attention particulière sera portée aux propriétés d'invariance des outils développés, en particulier pour permettre la comparaison d'images acquises par des satellites différents [EUSIPCO 2016]. * Big data : conception d'algorithmes capable de traiter des jeux de données mis à jour quotidiennement ou de manière hebdomadaire (par exemple Copernicus) et de s'interfacer avec des outils en accès libre (par exemple Google Earth Engine) ;

  • Titre traduit

    Deep networks for multitemporal activity analysis of Earth observation data


  • Résumé

    Satellite imagery is of primary importance to solve crisis situations, prevent natural disasters consequences or manage urban activity with precision. With more and more satellites around the Earth, we will soon be able to get everyday images from all around the planet. Though, changes between two images over a short period are subtle and hard to detect. It is even more difficult to understand how important they are to predict future evolution of a particular place. analyzing multitemporal, often noisy patterns requires powerful statistical models that still have to be designed. Last years have seen the massive adoption of deep learning techniques for various tasks in computer vision. In remote sensing and Earth-observation data analysis, our team has developed algorithms for classification and detection which have established new state-of-the-art performances [DFC2015, ACCV 2016]. With this new PhD thesis, we now want to discover how deep networks can help understanding the multitemporal satellite image series. Research axis will include : * Semantic classification of aerial and satellite image from various sensors and with various resolutions (from Very High Resolution to Sentinel satellite resolution). * Deep Learning architectures: design of deep neural networks for change detection (--> including siamese networks [Chopra 2005, Zagoruyko 2015] or adversarial nets [Goodfellow 2014]) and for modelling the temporal evolution of an image (→ recurrent networks) ; * Investigating standard tools of image comparison (local descriptors [TGRS 2015], deformable models, 3D structure, etc.) in the context of deep network analysis. Particular attention will be given to invariance properties of the developped tools, in order to allow comparison of images captured by different satellites [EUSIPCO 2016]. * Big data : design of algorithms able to deal with datasets udated on a daily or weekly basis (e.g. Copernicus) and to be linked with open access tools (e.g. Google Search Engine).