Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

26 mars 2021

Post-doctorat CNES (2 ans) projet AI4GEO


Catégorie : Post-doctorant


Le projet AI4GEO ( www.ai4geo.eu ) est un projet de R&D multi-partenaires qui vise à générer des produits à forte valeurs ajoutées 2D et 3D à partir de données d'Observation de la Terre :
· Séries temporelles de cartes d’occupation des sols à large échelle et à très haute résolution en utilisant conjointement les informations radiométriques et altimétriques.
· Création de séries temporelles de modèles 3D (LOD1 et LOD2) afin de surveiller l’aménagement urbain.
· Création de modèles 3D sémantisés calculés à partir d’un maillage de nuages de points 3D (stéréo et lidar) classifiés
· La détection et la caractérisation des changements dans une série de nuages de points 3D (stéréo et lidar) pour des applications liées à la navigation autonome et au suivi des voies ferroviaires.

 

Dans ce contexte, plusieurs axes de recherche ont été identifiés pouvant aboutir à des travaux innovants et ayant un fort impact scientifique car d’actualité par rapport à l’état de l’art actuel.

- REGULARISATION DE MODELES NUMERIQUES DE SURFACE PAR APPROCHE IA
Les modèles numériques de surface et les nuages de points en sortie de la chaîne de restitution altimétriques à partir d’images satellite multi-vues sont très bruités et ce bruit a un impact sur la qualité de prédiction des modèles (machine learning et deep learning) ultérieurs. Un axe de recherche serait d’étudier des méthodes de débruitage 2.5D ou 3D. Plusieurs solutions sont envisageables : IA et approches statistiques

- CARTE D’OCCUPATION DES SOLS A TRES HAUTE RESOLUTION ORIENTEE OBIA
La classification OBIA 2.5D et 3D à plusieurs échelles sémantiques en utilisant l’information contextuelle (spatiale et temporelle) semble être une piste prometteuse. Aujourd’hui, produire une carte de classification d’objets est largement réalisable mais utiliser l’agencement spatiale de ces objets entre eux pour en déduire des méta-objets (ensemble d’objets ayant une signification sémantique par exemple un groupe de maisons alignés avec des piscines et des jardins constitue un lotissement) constitue un vrai défi.

- EXPLICABILITE ET QUALIFICATION D’UN MODELE IA
Aujourd’hui, pour mesurer la confiance associée à un modèle prédicteur (machine learning et deep learning), la méthode classique reste de diviser un ensemble de données dont nous disposons des vérités terrain en 2 sous-ensembles : apprentissage et test. Des métriques telles que le score F1, la précision, le Recall, ROC, IOU sont évaluées sur le sous-ensemble test. Cependant, lorsque ces modèles sont déployés en phase opérationnelle, ils prédisent chaque nouvelle observation et donnent forcément une étiquette à celle-ci. L’idée est donc d’étudier des approches un peu moins brutales permettant d’identifier si la nouvelle observation est issue d’une réalisation d’une loi de distribution similaire à celle ayant généré les données d’apprentissage. Des méthodes nouvelles, telles que les approches de réseau de neurones profonds probabilistes, apparaissent notamment pour des modèles prédicteurs embarqués dans des environnements critiques. (approches bayésiennes Loubes Serge Graton, Fabrice Gomboa).
Liée à la problématique précédente, l’explainable IA est également un axe de recherche important que nous cherchons à approfondir dans AI4GEO. L’idée est de ne plus considérer les modèles IA comme des boîtes noires mais d’essayer grâce à l’expertise humaine d’expliquer leur prédiction et d’en définir le périmètre d’utilisation afin d’éviter toute prédiction aberrante sur de nouvelles données d’observation.

- GESTION DU BRUIT DANS LES BASES DE DONNEES D’APPRENTISSAGE (NOISY LABELS)
Enfin un axe de recherche également très important et d’évaluer et de corriger le bruit introduit par les erreurs soit humaines soit issues de mesures de capteur dans des données de référence (vérités terrain). En effet, la présence de ces données bruitées entraîne souvent une perte de généralisation des modèles IA car ceux-ci deviennent alors très sensibles à des perturbations mineures sur les caractéristiques de nouvelles observations ce qui peut donc induire une mauvaise classification.

- DU MODELE NUMERIQUE DE SURFACE STEREO AU LOD2
Dans le cadre du projet nous avons accès à des nuages de points LIDAR (terrestre ou aéroporté) avec une densité de points au km2 bien plus importantes que celle d’un nuage de points 3D issus d'acquisition stereoscopique satellites. Cependant l’obtention de ce dernier est plus facile de par la haute fréquence de revisite des constellations de satellites optiques THR (Pléiades, Pléiades Néo, CO3D). L’objectif de cet axe de recherche est de se focaliser sur des méthodes d’amélioration du niveau de détails des éléments 3D contenus dans des nuages de points stéréo (issu d’une restitution altimétrique à partir d’images satellite multi-vue) en s’appuyant sur des nuages de points LIDAR acquis ponctuellement sur la même zone d’intérêt.

Le postdoc sera mené au sein du service DNO/OT/IS (Observation de la Terre/ Imagerie & Sondage) au CNES à Toulouse et co-encadré par des chercheurs de l'ONERA DTIS.

Contacts : Pierre Lassalle : Pierre.Lassalle (at) cnes.fr et Simon Baillarin : Simon.Baillarin (at) cnes.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.