Contexte
Titan possède un système climatique complexe basé sur un cycle du méthane qui met en interaction les lacs, les nappes souterraines, les nuages, la brume et une photochimie foisonnante. Titan a été l’objet d’un intérêt soutenu, surtout avec
Cassini-Huygens (NASA/ESA), et est l’objet de la mission Dragonfly (JHU/NASA, arrivée 2034). Parmi les questions ouvertes, la caractérisation des propriétés physiques des nuages figure en haut de la liste car ce sont des observables importantes du climat. Les observations de VIMS-IR/Cassini sont idéales pour mener un tel projet.
Cependant, l’identification des nuages et leur annotation dans les images reste un obstacle. La caractérisation manuelle de ces structures nuageuses sur ~10000 spectro-images est chronophage et sujette à l’interprétation humaine.
Le projet AUTO-TITAN vise à développer une méthodologie automatisée, rapide et robuste pour la détection, la segmentation d’instance et la caractérisation morphologique des nuages de Titan en s’appuyant sur des techniques de vision par
ordinateur et d’apprentissage profond. L’objectif est de produire des cartes de référence des nuages et de leurs propriétés pour contraindre les modèles de climat global. Ces travaux prépareront les futures missions, notamment Dragonfly et les observations de l’E-ELT/JWST, et poseront les bases d’un futur projet ANR.
Ce projet repose sur une synergie transdisciplinaire entre le LEATP (analyse des observations planétaires) et le CReSTIC (raitement d’image, intelligence artificielle, apprentissage artificiel). Le pipeline développé permettra d’extraire automatiquement les pixels des nuages d’une image et de les traiter avec les modèles d’inversion photométriques de Titan déjà prêts. Le projet inclura enfin la formation par la recherche de deux étudiants de Master 2 : l’un au LEATP, l’autre au CReSTIC. Cette annonce porte exclusivement sur le stage M2 – CReSTIC.
Objectif du stage
Bien que le deep learning ait démontré sa supériorité pour le traitement d’images d’observation de la Terre (détection de nuages sur données satellite Sentinel/Landsat), son déploiement en sciences planétaires reste marginal en raison de la rareté des jeux
de données annotés. Récemment, Yahn et al. (2025) ont démontré la faisabilité d’utiliser le modèle Mask R-CNN couplé à de l’apprentissage par transfert pour segmenter les nuages sur un sous-ensemble d’images de l’instrument ISS sur Cassini, atteignant une précision de 0,96 et un score IoU de 0,70.
Le projet AUTO-TITAN vise à étendre et automatiser ces approches pour traiter le catalogue complet de données VIMS-IR/Cassini calibrées et géoréférencées. Le but sera d’automatiser la sélection des cubes comportant des nuages en se basant sur les images à des longueurs d’ondes spécifiques ne contenant pas de signal de surface, et ensuite, à développer une méthodologie automatisée, rapide et robuste pour la détection, la segmentation d’instance et la caractérisation morphologique des nuages de Titan (surfaces nuageuses, centroïdes (latitude, longitude), rapport d’aspect puis annotation des pixels) en s’appuyant sur des techniques de vision par ordinateur et d’apprentissage profond. En tirant parti de l’apprentissage par transfert, nous explorerons les performances en segmentation du modèle Mask R-CNN utilisé par Yahn et al. (2025) mais également des modèles plus récents tels que Mask2Former ou SAM (pour la v3 de 2026). L’étude nécessitera l’adaptation au domaine spécifique de l’imagerie planétaire spectrale infra-rouge, ce qui impliquera l’étude du pré-entrainement pour s’assurer de la présence d’images compatibles avec celle de Cassini, et très probablement un fine-tuning (à la manière de MedSam). Une attention particulière sera portée aux taux de faux positifs et faux négatifs afin de garantir une extraction exploitable de l’information spectrale de chaque pixel de nuage.
Programme de travail
À partir d’un jeu de données constitué par le LEATP :
- Implémentation du Mask R-CNN (PyTorch) et étude comparative avec d’autres architectures de segmentation
- Application du transfert learning et réglage des hyperparamètres
- Calcul automatique des métriques physiques : surface du nuage (% de la surface de Titan), centroïde pondéré, rapport d’aspect (grand axe / petit axe), liste de pixels pour chaque image.
Profil recherché
Le(la) candidat(e) devra être intéressé(e) par l’analyse et le traitement d’images numériques, et être opérationnel(le) en programmation Python. Des compétences en réseaux neuronaux sont requises, sur les plans théorique et pratique (PyTorch).
Un intérêt pour l’astronomie, le climat des planètes et la physique est évidemment recherché puisque le travail sera en collaboration avec ces champs disciplinaires.
Une bonne capacité en anglais pour la lecture et la rédaction d’articles scientifiques est également requise.
Informations pratiques
- Durée du stage : 5 mois à compter de février ou mars 2027.
- Localisation : CReSTIC, équipe TICA, IUT de Troyes, Troyes, France
- Encadrement : Frédéric Morain-Nicolier, Professeur des universités, CReSTIC – IUT de Troyes et Agnès Delahaies (MCF – CReSTIC – IUT de Troyes).
- Les candidat(e)s sont invité(e)s à envoyer un CV, lettre de motivation, relevés de notes et lettres de recommandation à frederic.nicolier@univ-reims.fr
Conditions de travail : un bureau, partagé par plusieurs étudiants en stage, sera alloué avec un ordinateur de travail. La gratification du stage correspond aux montants versés réglementairement par les organismes publics
