Annonce

Les commentaires sont clos.

Détection automatique de mines par imagerie satellitaire multispectrale et radar

11 Octobre 2024

Catégorie : Post-doctorant

Post-doctorat de 2 ans dans le cadre d'une collaboration entre le centre Borelli (ENS Paris-Saclay) et le CEA sur la détection automatique de mines par imagerie satellitaire multispectrale et radar

L'objectif du post-doctorat est de détecter de manière automatique et sur de grandes zones géographiques les activités de creusement résultant de l'exploitation minière dans des milieux arides. Il s'agira plus particulièrement de développer une méthodologie faisant appel à des techniques d'intelligence artificielle (deep learning) appliquées à des séries temporelles d'images multispectrales Sentinel-2 et radar Sentinel-1 offrant une couverture mondiale et une forte revisite temporelle.

Il s'agira dans un premier temps de détecter des zones candidates en fusionnant l'information apportée par les images radar et optiques.

- D'une part, la perte de cohérence radar permet de détecter tout type de changement (activités anthropiques ou changements naturels). L'exploitation conjointe de la cohérence radar et de l'information multispectrale devrait permettre de déterminer l'origine des changements et de sélectionner uniquement les changements d’origine anthropique.

- D'autre part, il existe de nombreux algorithmes de détection de changements sur des images radar en amplitude. Cependant, ces algorithmes ont l'inconvénient d'avoir un taux de fausses alarmes parfois non négligeable au niveau pixellique. Des travaux récents menés au sein du LRC Meso ont montré le potentiel de certaines approches pour diminuer ce taux de fausses alarmes en exploitant l'information apportée par la redondance temporelle. Des travaux complémentaires durant le post-doctorat devraient permettre d'améliorer significativement les performances des algorithmes de détection de changement radar.

On souhaite obtenir à l'issue de cette première étape un ensemble de zones candidates avec un faible taux de faux négatifs.

Il conviendra dans un second temps de discriminer parmi les zones candidates celles correspondant effectivement à des mines en s'appuyant sur de l'imagerie optique à très haute résolution et sur des modèles d'apprentissage profond. Du fait de la quantité limitée d'exemples disponibles pour l'apprentissage, des approches de type few shot learning ou augmentation de données à partir de méthodes génératives pourront être testées.