Imagerie spatiale récurrente et filtres de nouveauté

par Quentin Bammey

Projet de thèse en Mathématiques appliquées

Sous la direction de Rafael Grompone von gioi et de Jean-michel Morel.

Thèses en préparation à Paris Saclay , dans le cadre de Mathématiques Hadamard , en partenariat avec CMLA - Centre de Mathématiques et de Leurs Applications (laboratoire) , Traitement des images et du signal (equipe de recherche) et de Ecole normale supérieure Paris-Saclay (établissement de préparation de la thèse) depuis le 01-04-2018 .


  • Résumé

    Les satellites européens Sentinel 1 et 2a, 2b.sont les premiers à offrir une couverture mondiale gratuite à angle fixe avec une résolution (10 mètres) permettant de détecter les changements et activités humaines. L'objectif de la thèse est de développer la théorie et la pratique des "filtres de nouveauté" (novelty filters) introduits par Teuvo Kohonen. Le but est d'arriver à des algorithmes de détection de nouveauté complètement automatiques, permettant donc de surveiller au jour le jour de très grandes régions du globe. La thèse traitera d'abord la détection automatique, puis la classification supervisée et non supervisée d'évènements significatifs, en modélisant la “texture” spatio-temporelle ou modèle de fond appris en chaque endroit du globe et en définissant une mesure mathématiquement justifiée de la nouveauté de chaque évènement détecté. Bien entendu il y aura dans un tel système à une dernière couche d'interaction humaine, notamment pour apprendre à classifier et filtrer les alarmes sans intérêt.

  • Titre traduit

    Recurrent spatial imagery and novelty filters


  • Résumé

    European satelites Sentinel 1, 2a and 2b are the first to offer at no cost a full world cover with fixed angle and a resolution (10m) that enables us to detect changes and human activites. The goal is to expand the theory and practice of Teuvo Kohonen's novelty filters, in order to create algorithms that detect novelties in a completely automatic manner, thus enabling one to monitor very large regions with daily updates. We will first cover automatised detection, then supervised and unsupervised classification of significant events, by modelling the locally-learnt spatio-temporal texture, through a measure of novelty that will be defined based on mathematical reasons. A last layer of human interaction will only be needed to learn to classify and filter out false alarms.