Annonce

Les commentaires sont clos.

Stage - Détection de cibles de petite taille en multispectral par deep learning

18 Novembre 2022


Catégorie : Stagiaire


Stage à l'ONERA Palaiseau sur la Détection de cibles de petite taille en multispectral par deep learning

https://w3.onera.fr/stages/sites/w3.onera.fr.stages/files/dota-2023-27.pdf

 

Le développement de capteurs qui permettent d’acquérir de façon simultanée des images dans plusieurs bandes spectrales du visible à l’infrarouge lointain et leur exploitation automatique, rendue possible grâce à l’essor des méthodes de machine learning (SVM, arbres de décision, réseaux de neurones…), ont permis de réaliser ces 20 dernières années de grands progrès en détection, reconnaissance et identification de cibles (DRI). Cependant, il demeure difficile de détecter des cibles de petite taille (entre 1 et 50 pixels sur la surface de la cible), notamment quand elles présentent un faible contraste par rapport au fond ou quand on cherche à les détecter sur un fond texturé comme un ciel nuageux.

Les méthodes de deep learning ont connu un très fort développement ces dernières années, car elles ont démontré qu’elles pouvaient, en extrayant automatiquement des caractéristiques non linéaires bien adaptées à la tâche à accomplir, surpasser les techniques conventionnelles en termes de performances dans de nombreux domaines : classification automatique, détection et reconnaissance d’objets dans des images, traduction de texte... Toutefois, en imagerie, ces performances en détection et classification sont obtenues pour des objets de grande taille dans des images RGB. De plus, l’apprentissage des paramètres des réseaux profonds nécessite d’avoir accès à des grandes bases de données annotées (plusieurs centaines de milliers ou plusieurs millions d’exemples) pour éviter le phénomène de surapprentissage. Il est difficile d’accéder à ce volume de données pour des instruments fonctionnant en infrarouge.

L’objectif du stage consistera à proposer des méthodes de détection à base de deep learning adaptées au cas de cibles de petites tailles, potentiellement de faible contraste par rapport au fond, pour lesquelles la signature est mesurée ou apprise dans plusieurs bandes spectrales dans différents domaines en infrarouge (images multispectrales avec entre 3 et 10 bandes spectrales d'intérêt pour notre application).

Le ou la candidat(e) s’intéressera à l'adaptation aux données multispectrales d'algorithmes de détection basés sur une approche de segmentation par apprentissage profond, avec des architectures de type ResNet et ses variantes couplant CNN et Transformers, qui sont à l’état de l’art pour la détection de cibles en infrarouge [Liu2021]. Les mécanismes d'attention permettent, suivant leur type, attention spatiale ou par canal, d'améliorer la prise en compte de l’information contextuelle spatiale ou bien de sélectionner les canaux les plus pertinents [Fan2020] et il est possible de combiner les deux types de mécanismes.

Du fait de la difficulté à disposer de grandes bases de données multispectrales annotées en infrarouge, l'apport des méthodes de pré-entrainement de la partie encodeur du réseau sur des données non labélisées et sur une tâche prétexte (SSL - self supervised learning) sera envisagée. Il faudra pour cela définir une tâche prétexte pertinente pour une approche de segmentation en multispectral.

La méthodologie sera appliquée sur une base de données simulées d'avions sur fond de ciel contenant plusieurs dizaines de milliers d'imagettes dans différentes bandes spectrales infrarouge [Maire 2015]. Le jeu de données d'origine, qu'il faudra mettre en forme pour tester les approches de détection, est constitué de données dans une centaine de bandes spectrales, ce qui permettra de comparer les performances de différents regroupements de bandes spectrales.

Les travaux de stage pourront se poursuivre dans le cadre d'une thèse dédiée à l'optimisation du choix de bandes spectrales pour la détection de cibles, qui combinera approches statistiques pour la partie optimisation et mise en oeuvre des méthodes de deep learning proposées dans le cadre du stage pour l'évaluation des combinaisons de bandes spectrales optimisées.

Bibliographie :

[Liu2021] F. Liu, C. Gao et al, “Infrared small-dim target detection with transformer under complex backgrounds,” arXiv :2109.14379, 2021.

[Fan2020] T. Fan, G.Wang et al, “MA-Net : A Multi-Scale Attention Network for Liver and Tumor Segmentation,” IEEE Access, vol. 8, pp. 179656–179665, 2020

[Maire2015] F. Maire and S. Lefebvre, "Detecting Aircraft in Low-Resolution Multispectral Images: Specification of Relevant IR Wavelength Bands," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 8, no. 9, pp. 4509-4523, Sept. 2015, doi: 10.1109/JSTARS.2015.2457514

 

Entreprise : ONERA The French Aerospace Lab - contact : sidonie.lefebvre@onera.fr

Profils Recherchés : Master 2 ou Ecole d'Ingénieur avec compétences en deep learning