Stage - Correction atmosphérique par Réseaux de Neurones

Magellium (Groupe Artal), avec ses 300 collaborateurs, est un acteur indépendant, spécialiste sur la chaine de valorisation du pixel et de la donnée image et vidéo (du capteur satellite, aéroporté ou drone jusqu’à son utilisation dans les systèmes d’information géographique, la cartographie et la Géointelligence). Magellium promeut la maîtrise des technologies du logiciel, de l’IA, du traitement d’image et de la géomatique.  

L’unité Earth Observation est en charge des activités de traitement d’images d’origine spatiale. Ses domaines d’expertise sont : la géométrie des capteurs & le traitement d’image, la calibration/validation & le contrôle qualité et les services d’observation de la Terre. Nos experts en télédétection, nos scientifiques et nos concepteurs de logiciels spécialisés se concentrent sur les programmes de R&D, les algorithmes de traitement, les systèmes de segment sol et les services environnementaux. Observer la Terre depuis l'espace, surveiller notre environnement et les changements climatiques sont nos défis.

Pour son équipe spécialisée dans la physique d’acquisition des images par satellite et les études 2D/3D, Magellium propose le stage suivant intitulé :

Correction atmosphérique par Réseaux de Neurones

CONTEXTE

L’Unité Earth Observation de Magellium est structurée en 5 Pôles Thématiques, l’un d’eux étant dédié à la modélisation géométrique des capteurs satellites et aux études 2D/3D en observation de la Terre. Cette équipe dispose d’une expertise dans ce domaine et développe des outils ou des approches pour ses clients ou en investissement interne, notamment des outils de segmentation d’images satellites, d’amélioration de la qualité image (débruitage…), détection d’objets…

Une des caractéristiques de l’imagerie satellitaire est qu’elle est affectée par l’atmosphère qui non seulement atténue le signal utile provenant de la zone cible mais en plus superpose à ce dernier un signal parasite dû à des réflexions. Ainsi, certaines applications nécessitent que ces effets soient corrigés. Cette correction atmosphérique s’effectue traditionnellement par le biais de modèles physiques simulant la propagation de la lumière, appelés modèles de transfert radiatif. Bien que précis, ces modèles sont très complexes et demandeurs en temps de calcul, et les appliquer sur chaque pixel de l’image n’est ainsi pas possible en pratique.

Une solution pour pallier ce problème consiste à émuler ces modèles physiques par des modèles de Machine Learning comme des modèles polynomiaux ou des processus gaussiens. Ce stage étudie l’utilisation de réseaux de neurones à cette fin. Une première étude a notamment montré qu’avec une architecture adéquate, il était possible d’obtenir des résultats comparables à celles des processus gaussiens, qui représentent l’état de l’art dans ce domaine, tout en permettant des inférences plus rapides. Cependant, elle a mis en valeur les difficultés des réseaux de neurones à extrapoler sur des conditions initiales éloignées de celles vues lors de l’entraînement comparer aux processus gaussien. De plus, toutes les solutions investiguées reposent sur l’utilisation de PCA (Analyse en Composantes Principales) pour simplifier les entraînements. Bien qu’efficace, cette méthode retire les hautes fréquences du signal nécessaires à certaines applications, si bien que de simples modèles polynomiaux, bien que moins performants, sont parfois privilégiés.

SUJET

Ce stage vise à repartir de l’étude précédente afin d’en améliorer les modèles et de corriger les défauts relevés. Les nouveaux modèles proposés devront notamment se passer de la PCA. Une recherche sur les techniques permettant d’améliorer les capacité d’extrapolation des réseaux de neurone sera également effectuée. 

Le candidat pourra s’appuyer sur des outils internes Magellium ou des outils open source, qu’il s’agira d’intégrer ou d’améliorer selon leur capacité à répondre au besoin.

Le déroulement du stage sera le suivant:

• Une phase d’état de l’art pour prolonger celui de la précédente étude sur l’émulation de modèles de transfert radiatif dans un premier temps et identifier les méthodes d’extrapolation en Deep Learning dans un second temps ;

• Une phase de préparation de la base de données au niveau “Deep Learning Ready”. Elle pourra se reposer sur l’utilisation de modèles de transfert radiatif déjà utilisés dans l’entreprise ;

• Une phase de design, d’implémentation et d’entraînement des modèles sélectionnés ;

• Une phase d’évaluation quantitative et qualitative et la comparaison à des méthodes de l’état de l’art.

L’apport d’informations physiques contextuelles dans la méthode (ajout de données externes, modification de la fonction de coût, …) afin de mieux contraindre le problème pourra également être investigué.

Le développement sera fait en Python et s’appuiera sur PyTorch pour le Deep Learning.

PERSPECTIVE

Dans la continuité de ce stage, un poste en CDI pourra être proposé au candidat.

Etudiant(e) en cursus universitaire ou en école d'ingénieur et préparant un diplôme de niveau Bac+5 dans le domaine de l’ingénierie avec une formation mathématiques rigoureuse et idéalement une spécialisation en traitement d’image et notamment en Intelligence Artificielle/Deep Learning, vous êtes intéressé(e) et motivé(e) pour travailler dans le domaine de l’Observation de la Terre.

Une appétence pour la recherche et une forte capacité à travailler en autonomie sont recherchées. Une formation en télédétection est un plus.

Chez Magellium, la diversité et l'inclusion sont fondamentales pour notre fonctionnement et ancrées dans nos valeurs. Nous respectons la diversité de nos employés, leurs expériences, leurs origines, leurs handicaps, et offrons des chances égales à tous. Tous différents, tous compétents !

Mots clés : satellite optique, observation de la Terre, modèles de transfert radiatif, Deep Learning, Machine Learning