Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

25 juin 2019

Thèse en optimisation et deep learning


Catégorie : Doctorant


Thèse à l'ONERA Palaiseau - Optimisation robuste sous incertitudes du choix de bandes spectrales pour la détection d'anomalies

Mise au point d’une méthodologie de sélection robuste de bandes spectrales pour le dimensionnement des systèmes opérationnels multispectraux qui permette de tenir compte des incertitudes qui affectent certaines données (conditions météorologiques par exemple), et qui conduisent à une variabilité des scènes observées, ainsi que de la diversité des objets susceptibles d’être rencontrés. Les travaux porteront notamment sur la définition de critères d’optimisation robuste couplés à une méthodologie d’estimation efficace, et à des algorithmes d’optimisation évolutionnaires.

 

Sujet :

Depuis quelques années, on constate un intérêt croissant pour la spécification et la conception d’imageurs multispectraux, qui permettent d’acquérir simultanément l’image d’une scène dans plusieurs (typiquement entre 2 et 10) bandes spectrales en infrarouge ou en visible.Les applications de ces instruments sont très variées : télédétection satellitaire ou spatiale, détection d’aéronefs, de drones,… Lors de l’exploitation des données, les algorithmes de détection d'anomalies sont couramment utilisés pour rechercher des objets potentiels d'intérêt sur une image. Le principe consiste à analyser le signal lu sur les pixels spectraux de l'image et à distinguer deux classes : une classe majoritaire associée au fond, et une classe de pixels qui se démarque du signal de fond, les anomalies. Celles-ci peuvent ensuite être analysées de façon plus détaillée par d'autres méthodes, pour savoir si elles correspondent aux objets recherchés.

Afin d’optimiser le choix des bandes spectrales pour des applications de type détection d’anomalies, il est important de tenir compte des incertitudes qui affectent certaines données, comme les conditions météorologiques, et qui conduisent à une variabilité des scènes observées, ainsi que de la diversité des objets susceptibles d’être rencontrés. Il faut donc évoluer d’une stratégie d’optimisation classique et déterministe vers une optimisation robuste, qui a pour but de concevoir des systèmes dont les performances sont peu sensibles aux fluctuations induites par les paramètres incertains. Elle s’appuie sur des mesures de robustesse pour quantifier les variations des objectifs dues aux incertitudes. On recherche ainsi le système qui possède la meilleure performance moyenne, ou bien celui dont la performance varie le moins, ou encore les deux à la fois.

En s’appuyant sur les travaux de thèse de Florian Maire (prix de thèse DGA 2016) sur la prise en compte simultanée des variabilités spectrale et spatiale des objets d’intérêt et du fond pour la détection d’anomalies et sur les avancées récentes en deep learning,le doctorant sera amené à proposer une méthodologie de sélection robuste de bandes spectrales. Cette problématique, cruciale pour le dimensionnement des futurs systèmes opérationnels multispectraux, n’est encore que très peu abordée dans la littérature. Les travaux de thèse porteront sur les points suivant :

-modélisation des incertitudes sur les cibles et les fonds,

-mise au point de critères d’optimisation robuste couplés à une méthodologie d’estimation efficace. Différents critères ont été proposés pour l’optimisation robuste sous incertitudes : espérance, variance, quantile, superquantile (qui permet de quantifier le poids des évènements situés au-dessus d’un quantile donné)…, mais il faudra les adapter à la problématique du choix de bandes spectrales, qui est un problème d’optimisation sur des variables discrètes, avec des contraintes de faisabilité technologique à prendre en compte. Il faudra ensuite coupler de façon pertinente les critères de robustesse à ceux de détection d’anomalies. On considèrera des critères proposés par notre équipe, à base de lignes de niveaux ou de méthodes à noyaux de type Maximum Mean Discrepancy , ainsi que des critères très récents à base de deep learning . Il faudra enfin proposer des estimateurs efficaces adaptés à la problématique du choix de bandes spectrales, et mettre en œuvre et adapter les algorithmes d’optimisation les plus prometteurs. On envisagera notamment les algorithmes évolutionnaires tels que ceux proposés dans le logiciel CMAES (Covariance Matrix Adaptation Evolution Strategy), et on proposera une stratégie d’évolution adaptée à la grande combinatoire associée au choix de bandes spectrales.

-validation sur des cas simulés : détection d'aéronefs et réels : télédétection.

Contact : sidonie.lefebvre@onera.fr

Date de début : 01/10/2019

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2019.