Stage - Super résolution spectrale d’images multispectrales par Deep Learning

Magellium (Groupe Artal), avec ses 300 collaborateurs, est un acteur indépendant, spécialiste sur la chaîne 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 et  le traitement d’image, la calibration/validation et 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 :

Super-résolution spectrale d’images multispectrales par Deep Learning

CONTEXTE

Les missions d’observation de la Terre cherchent à affiner les données qu’elles acquièrent, que ce soit spatialement afin d’avoir des images avec plus de détails texturaux, ou spectralement, pour étudier la composition de l’atmosphère ou caractériser les matériaux en présence dans la scène observée.

Afin de préparer les futures missions d’observation et analyser les possibles applications, savoir simuler de telles données est un enjeu important.

Les capteurs capables d’acquérir une scène avec un nombre important de bandes spectrales (plus d’une centaine en général) se nomment capteurs hyperspectraux. Ces capteurs restent à l’heure actuelle peu nombreux et pour la grande majorité, leurs données ne sont pas disponibles massivement et librement, limitant donc les études possibles notamment en deep learning dont les modèles demandent un gros volume de données pour l’entraînement. De plus, une résolution spectrale élevée s’accompagne d’une dégradation de la résolution spatiale car moins de photons de la longueur d’onde captée atteignent le détecteur.

La mission Sentinel-2 du programme européen Copernicus offre de manière libre un volume important de données multispectrales (13 bandes) sur l’ensemble du globe avec une haute résolution spatiale (10m à 60m selon les bandes).

D’autre part, les méthodes de Deep Learning, notamment basées sur les Transformers, ont montré des performances impressionnantes pour des applications à partir d’images de la vie courante et les performances sur images satellitaires sont très encourageantes. 

Nous proposons ainsi d’explorer la possibilité de faire de la super-résolution spectrale, c’est-à-dire augmenter le nombre de bandes spectrales de Sentinel-2 à résolution spatiale constante.

SUJET

Dans le cadre de ce stage, nous souhaitons explorer les méthodes de Deep Learning pour faire de la super-résolution spectrale à partir d’images multispectrales. Ce cadre impose une rigueur en termes de conditionnement des méthodes afin de produire de la donnée physiquement réaliste. En outre, on se propose d’étudier le conditionnement par banque de spectres. 

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 étudier les solutions existantes, identifier les algorithmes existants et ceux manquants, identifier les bases de données existantes en hyperspectral, analyser leurs couvertures et leurs manquements, identifier les bases de données de banques de spectre etc.

• Une phase de préparation de la base de données au niveau “Deep Learning Ready”. Elle pourra comprendre par exemple la complétion d’une base de données hyperspectrale existante (telle que HySpecNet-11k) avec des données Sentinel-2.

• Une phase de design et d’implémentation des algorithmes sélectionnés.

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

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, donnée hyperspectrale, observation de la Terre, deep learning