Stage - Intégration de la physique dans des 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 :

Intégration de la physique dans des 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…

La donnée satellitaire s’accompagne en effet d’un grand nombre de données exogènes qui apportent des informations complémentaires sur lesquels les traitements experts classiques se basent. Historiquement, les approches d’IA utilisent uniquement la donnée image et négligent les informations annexes. Or, les tendances actuelles dans la littérature de l’IA pour le satellitaire vont vers plus de frugalité des données et des apprentissages, avec une meilleure exploitation des connaissances des phénomènes qu’on cherche à extraire.

SUJET

Dans le cadre de ce stage, nous souhaitons explorer l’apport d’un conditionnement du réseau de neurones par des informations physiques (données exogènes comme les conditions météos, la date, la localisation… ou modèle physique tel que le transfert radiatif dans l’atmosphère).

Par exemple, dans le cas d’une application de détection de surface hydrologique (neige, glace, eau…) on cherchera à conditionner le réseau pour qu’il intègre efficacement les informations annexes à l’image satellite (météo, altitude, date d’acquisition, localisation…) qui peuvent aider à améliorer les scores de segmentation en réduisant les ambiguïtés sur des surfaces complexes (confusion entre un banc de sable blanc avec un manteau neigeux).

Le cas d’application exact sera discuté avec le candidat.

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 stage débutera par une phase d’état de l’art pour étudier les solutions existantes, identifier les algorithmes existants et repérer les algorithmes manquants. Elle sera suivie d’une phase de design de la solution puis de d’implémentation des algorithmes sélectionnés.

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 ou en télédétection, vous êtes intéressé(e) et motivé(e) pour travailler dans le domaine de l’Observation de la Terre.

#satellite optique #observation de la Terre #segmentation

#Python #Machine Learning #Deep Learning