Contexte:
Les séries temporelles d’images satellitaires (SITS) acquises par radar à synthèse d’ouverture (SAR), comme Sentinel-1, permettent de surveiller la surface terrestre de jour comme de nuit, indépendamment de la couverture nuageuse. Elles sont aujourd’hui utilisées en routine pour le suivi environnemental (cartographie de la neige humide et de la cryosphère, détection de glissements de terrain lents). Sentinel-1 revenant sur un même point en moins de 6 jours, la quantité de données disponibles est considérable et permettrait d’entraîner des réseaux profonds aux bonnes capacités de généralisation. Mais ces réseaux nécessitent des données annotées, rares car coûteuses en temps et en ressources. L’apprentissage auto-supervisé répond à ce problème en entraînant un encodeur à projeter les données dans un espace latent généralisable, réutilisable ensuite avec une tête légère entraînée sur peu d’échantillons. Deux stratégies existent : contraindre l’espace latent par apprentissage contrastif, et/ou entraîner le réseau sur une tâche prétexte sans étiquettes (autoencodeurs masqués spatiaux, temporels ou spatio-temporels, débruitage…). Les laboratoires d’accueil travaillent déjà sur le contrastif ; ce stage se concentre sur les tâches prétextes. Or celles-ci ont été conçues pour l’optique ou des signaux gaussiens, et conviennent mal au SAR : le speckle est multiplicatif et fortement non gaussien, les intensités suivent des lois à queues lourdes (Rayleigh, Weibull, gaussiennes composées), et la géométrie d’acquisition (repliement, ombre, raccourcissement en montagne) influence le signal. Les augmentations classiques et les pertes euclidiennes ℓ2 peuvent donc produire des espaces latents peu pertinents physiquement et peu robustes.
Sujet:
L’objectif est de construire des espaces latents cohérents avec la nature statistique des séries temporelles SAR, en concevant des tâches prétextes et des pertes intégrant des a priori statistiques, à deux niveaux complémentaires. (1) Des tâches prétextes adaptées : augmentations respectant la physique du SAR (rééchantillonnage du speckle ou temporel, masquage tenant compte de la géométrie) et pertes de similarité ou de reconstruction fondées sur des divergences entre distributions (Kullback–Leibler, Rényi, pertes géométriques) ou des mesures d’alignement temporel (soft-DTW), plutôt que sur des distances euclidiennes. (2) Des représentations contraintes statistiquement : l’espace latent, en tout ou partie, est lié aux paramètres d’un modèle statistique robuste (paramètres d’échelle ou de texture de lois gaussiennes composées, matrices de covariance sur une variété riemannienne). Le résultat attendu est une comparaison de ces stratégies sur des séries SAR, évaluée sur des tâches aval à peu d’étiquettes (sondage linéaire en classification ou détection), selon la performance, la robustesse et l’interprétabilité de l’espace latent.
Déroulé du stage :
Le ou la stagiaire implémentera d’abord des tâches prétextes standard (autoencodeur masqué, débruitage, super-résolution) sur des séries SAR et contribuera à définir un protocole d’évaluation (sondage linéaire, régime à peu d’étiquettes). Il ou elle aidera ensuite à concevoir des augmentations et des tâches prétextes cohérentes avec le SAR, notamment via des pertes basées sur des divergences entre distributions robustes, en étudiant leur différentiabilité et leur stabilité numérique. Selon l’avancement, les résultats pourront être publiés (GRETSI, IGARSS, ICASSP). Le stage pourra aussi être étendu en combinant ces tâches avec des stratégies contrastives dans l’espace latent, en développant une méthode de construction de l’espace latent guidée par des a priori statistiques propres au SAR. Il peut constituer une première étape vers une thèse sur ce sujet.
Conditions du stage :
- Niveau : Master 2 ou 3e année d’école d’ingénieur
- Durée : 6 mois, à partir de mars 2027
- Lieu : Annecy, France (LISTIC)
- Collaborations :
- LISTIC (Y. Mhiri & M. Gallet) ;
Compétences attendues :
- Python, PyTorch, expérimentation numérique
- Bases en apprentissage profond
- Traitement du signal et images, statistiques
- Apprécié : SAR/InSAR
Contacts :
- Antoine Bralet : abralet[at]unistra[dot]fr
- Matthieu Gallet : matthieu[dot]gallet[at]univ-smb[dot]fr
- Yassine Mhiri : yassine[dot]mhiri[at]univ-smb[dot]fr
Offre complète : PDF – Lien de téléchargement
