Annonce

Les commentaires sont clos.

ACDC with deep learning: Super-resolution for Automatic Crater Detection and Characterization with deep learning

11 Janvier 2022


Catégorie : Stagiaire


L’objectif de ce projet est de développer de nouvelles méthodes combinant à la fois des méthodes d’apprentissage à base d’architectures de réseaux de neurone artificiel et des méthodes de résolution de problèmes inverses pour la super résolution d’image à partir d’une base d’images pour la détection/caractérisation d’images scientifiques. Au-delà des méthodes proposées actuellement de super-résolution pour la reconstruction d’image, ce projet de thèse a l’ambition de bâtir une approche qui permettrait de détecter et décrire des objets insuffisamment résolus. Dans un second temps, l’objectif de cette thèse sera d’évaluer cette approche et ses limites, notamment sur la présence ou non d’information suffisante dans les images pour la caractérisation des objets.

The objective of this proposal is to develop novel super-resolution methods for scientific applications. We propose combining state-of-the-art learning-based methods with well-established inverse problem resolution methods to constrain learning-based methods to physically feasible results. Current learning-based methods for super-resolution assume that features and textures present at high-resolution are also present at low-resolution. They use the latter to interpolate the former (Glasner, D. et al., 2009). These approaches yield interesting results on natural images that are plausible and look good but are not scientifically usable. They do not actually solve a deconvolution problem but use an approach similar to inpainting and texture generation, both fast and impressive. However, high-resolution textures are “hallucinated” and do not correspond to real data (Zhang, Yulun, et al. 2019). In contrast, well-established super-resolution using deconvolution and inverse-problem methods are more reliable but comparatively low-performance (Farsiu, S., et al. 2004). This study will take advantage of the machine learning and deep learning libraries available as open source to propose the most versatile and robust detection method.

 

 

Le candidat doit être titulaire (ou en cours d’obtention) d’un M2 ou diplôme d’ingénieur en traitement du signal, science des données, mathématiques appliquées ou apprentissage machine, avec une forte appétence pour les sciences spatiales et la planétologie. Un bon niveau de communicaton en Anglais (oral, écrit) est requis. Le projet sera en collaboration avec l’agence spatiale européenne. Financement de thèse acquis.

Pour candidater, merci d’envoyer :

- CV

- Lettre de motivation

- résultats post-bac (Université, Ecole d'Ingénieur, ...)

- Rapport de stage

 

The candidate must have (or validate in 2022) a master degree or equivalent in signal processing, data science, applied mathematics or machine learning with interest in space and planetary science. Good communcation skills in English (written/oral) is required. Project is in collaboration with European Space agency. PhD funds is aquired.

For application, please send :

- CV

- Motivation letter

- transcript of all results in higher degree (University, Ingeneer school, Ecole, ...)

- Internship report

 

Contact : frederic.schmidt @@ universite-paris-saclay.fr

 

http://planeto.geol.u-psud.fr/spip.php?action=acceder_document&arg=1030&cle=82d984ab0d252a1d59a914345fe599b90770f049&file=pdf%2FACDC_2022.pdf