TIS-DTIM-2017-007 PSR Recalage 3D par deep learning

1
www.onera.fr
PROPOSITION DE SUJET DE THESE
Intitulé :
Recalage d'images de télédétection par deep learning
Référence : TIS-DTIM-2017-007
(à rappeler dans toute correspondance)
Laboratoire d’accueil à l’ONERA :
Branche : Traitement de l'Information et des
Lieu (centre ONERA) :
Systèmes
Palaiseau
Département : Traitement de l'Information et
Modélisation
Unité :
Perception,
Raisonnement
Responsable
Boulch
Sémantique,
ONERA :
Alexandre
Tél. :
Email : [email protected]
Directeur de thèse envisagé :
Nom : KOENIGUER Elise
Adresse : Onera
Tél. : 0180386570
Email : [email protected]
Sujet : Recalage de données par deep learning
Ces dernières années, le domaine de la télédétection a fortement évolué dans un contexte de Big Data
avec un accès massif aux données. Au niveau satellitaire notamment, le nombre de plateformes n'a
cessé d'augmenter et permet aujourd'hui un monitoring de la terre dans différentes bandes du spectre
électromagnétique (radar, visible, hyperspectral, lidar, etc). Ce monitoring est d'autant plus intéressant
que les résolutions spatiales et temporelles se sont nettement améliorées permettant une extension du
domaine d'application de l'imagerie satellitaire.
Dans ce contexte où l'on bénéficie de jeux de données variés sur une même zone, un des besoins est
d'en faire la fusion afin de tirer profit au mieux de l'information complémentaire que contienne ces
données. Dans ces conditions, le recalage des données est indispensable avec, pour certaines
applications, une exigence de grande précision.
Face à ce besoin, le DTIM a développé un algorithme de recalage robuste et rapide, GeFolki, dont une
brique a été initialement développée pour le recalage de données vidéo. Récemment, le DTIM a adapté
l'outil afin de permettre le recalage de données de télédétection variées, en particulier, en s'intéressant
au cas de données hétérogènes. Des premiers résultats de recalage optique/radar, radar/lidar ou
d'images radar dans différents modes sont encourageants. Cependant, à ce jour, l'algorithme permet de
recaler deux images hétérogènes mais ne prend pas en compte le caractère multidimensionnel de
certaines données comme l'imagerie hyperspectrale ou radar avec le mode polarimétrique,
Par ailleurs, l'algorithme peut rencontrer des situations d'échec, lorsque l'initialisation de l'algorithme
correspond à des images qui présentent des contrastes différents et un déplacement important à
estimer.
L'objectif de la thèse est de pallier cette difficulté. Pour ce faire le candidat s'appuiera sur les récents
développements des méthodes d'apprentissage, notamment des réseaux de neurones profonds ou
deep learning. Dans un premier temps, l'objectif du candidat sera de déterminer par apprentissage, un
domaine de représentation commun pour les images de natures différentes. Une fois ce domaine de
GEN-F160-7 (GEN-SCI-029)
2
représentation commun trouvé, il sera envisageable d'appliquer le calcul de flot de manière
traditionnelle comme pour des images en intensité issues d'un même capteur.
Dans un second temps, le candidat s'attachera à imaginer comment améliorer les étapes du recalage
proprement dit à l'aide de méthode d'apprentissage pour les cas difficiles : initialisation défectueuse,
modèle peu texturé.
Enfin, si ces premières étapes sont fructueuses, il pourra être envisagé de traiter des cas plus
compliqués d'images présentant des éléments en relief avec des conditions de prise de vue
différentes, Ce recalage en s'appuyant éventuellement sur un modèle vectoriel 3D.
Collaborations extérieures :
PROFIL DU CANDIDAT
Formation : Ingénieur ou Universitaire avec de bonnes connaissances en traitement d'image,
Computer vision, méthodes d'apprentissage.
Spécificités souhaitées : Programmation en Python
GEN-F160-7 (GEN-SCI-029)