Annonce
Post-doc "Modèles génératifs et apprentissage de représentation pour l'imagerie radar à synthèse d'ouverture"
31 Mars 2023
Catégorie : Post-doctorant
Durée: 18 mois
Localisation principale: laboratoire Hubert Curien (Université de Saint-Etienne), séjours possibles au LTCI (Télécom Paris)
Date de démarrage: entre avril 2023 et octobre 2023
Mots-clefs: deep learning, modèle génératif, apprentissage de representation, apprentissage auto-supervisé, imagerie satellitaire, imagerie radar à synthèse d'ouverture
Expérience requise: une thèse en machine learning et/ou traitement de l'image; une connaissance de l'imagerie satellitaire, en particulier radar, est un plus mais n'est pas indispensable.
Encadrement: Loïc Denis, Rémi Emonet, Amaury Habrard et Damien Muselet (Université de Saint-Etienne), Florence Tupin (Télécom Paris).
sujet détaillé au format pdf: perso.univ-st-etienne.fr/deniloic/sujet_postdoc_UJM.pdf
Modèles génératifs et apprentissage de représentation pour l'imagerie radar à synthèse d'ouverture
CONTEXTE
L’imagerie radar à synthèse d’ouverture est une modalité d’imagerie active, pouvant fonctionner de jour comme de nuit, même en présence de couverture nuageuse. A la différence de l’imagerie optique, la gamme de longueurs d’ondes utilisées en imagerie radar (du centimètre au mètre) ne correspond par à un rayonnement visible mais aux ondes radio. Les images radar permettent de distinguer les surfaces lisses (rivières, lacs, routes) de celles qui sont rugueuses à l’échelle de la longueur d’onde (herbe, végétation basse, arbres). Les structures artificielles (bâtiments, véhicules, pylônes électriques, etc..) renvoient de forts échos qui se traduisent par des structures très brillantes dans les images radar. L’imagerie radar est donc une technique très complémentaire de l’imagerie optique, présentant de nombreuses spécificités.
Un des traitements spécifiques à l’imagerie radar est la réduction du chatoiement (bruit qui apparaît sur les images radar). Des progrès spectaculaires ont été réalisés récemment par nos équipes en combinant des techniques d’apprentissage profond et une stratégie d’entraînement auto-supervisée.
OBJECTIFS
Les modèles génératifs d’images offrent un cadre très riche dans les contextes de restauration et d’interprétation des images. Ils peuvent par exemple donner accès à une caractérisation des incertitudes plus informative qu’une simple variance pixel-à-pixel , conduire potentiellement à des représentations invariantes à des modifications de l’acquisition (incidence, bande de fréquence) et donner accès à des stratégies de fusion multi-modalité (optique-radar).
De nombreux modèles génératifs ont été proposés ces dernières années en imagerie optique, basés par exemple sur des GAN, des réseaux inversibles ou encore des modèles de diffusion. L’apprentissage non supervisé de représentation, avec des stratégies de type masquage ou de "contrastive learning", est particulièrement puissant pour obtenir des représentations compactes des images pouvant servir dans de nombreuses tâches aval faiblement supervisées (ex: classification, détection d’objet).
L’objectif de ce sujet de post-doc sera de développer des modèles de scènes radar dans un cadre auto-supervisé, puis d’exploiter ces modèles pour différentes tâches (restauration, segmentation sémantique, détection de changement, fusion multi-modalité).
CADRE DE TRAVAIL
Ce post-doc s’inscrit dans le projet ANR ASTRAL qui rassemble des équipes de Télécom Paris, de l’Université de Saint-Etienne, du Cnam et de l’ONERA afin de développer des approches d’apprentissage statistique en imagerie radar (https://astral.wp.imt.fr/).
La localisation du post-doc est principalement à Saint-Etienne, au laboratoire Hubert Curien. Le travail sera réalisé en étroite collaboration avec les équipes de Télécom Paris et du Cnam dans lesquelles un séjour pour réaliser une partie du travail est envisageable.
Le laboratoire Hubert Curien de l’Université de Saint-Etienne est une UMR CNRS de 230 personnes composée de deux départements: Informatique, sécurité, image et Optique, photonique, surfaces. Le laboratoire est internationalement reconnu, notamment pour son activité en machine learning et en problèmes inverses. L’équipe d’encadrement est formée de
- Loïc Denis, Professeur (https://perso.univ-st-etienne.fr/deniloic/)
- Rémy Emonet, Maître de Conférences (https://home.heeere.com/)
- Amaury Habrard, Professeur, Membre Senior de l’IUF (https://perso.univ-st-etienne.fr/habrarda/)
- Damien Muselet, Maître de Conférences (https://perso.univ-st-etienne.fr/muda8804/)
Les candidatures sont à envoyer à Loïc Denis (loic.denis@univ-st-etienne.fr) sous la forme d’un CV, d’une courte lettre de motivation, d’une liste de publications et des coordonnées de 3 personnes référentes. Une nationalité d’un pays de l’Union Européenne est requise.