Stage en Deep Learning / Vision par ordinateur
Apprentissage profond pour le suivi forestier et la détection de la déforestation à partir d’images satellites
Structure : Institut de Recherche pour le Développement, UMR Espace-Dev
Localisation : Montpellier, Maison de la Télédétection
Durée : 6 mois
Date d’entrée en poste : Flexible
Revenu : Gratification prise en charge au taux en vigueur
Contexte
Ce stage s’inscrit dans le cadre du projet européen MOSAIC et a pour objectif de développer des méthodes d’apprentissage profond pour produire des cartes à haute résolution de la couverture forestière et de la déforestation en Amazonie. Pour cela, des approches de segmentation sémantique seront mises en œuvre afin d’extraire automatiquement les zones forestières et les changements de couverture à partir d’images satellites. Les modèles développés seront entraînés sur des données disponibles au Brésil, puis adaptés et transférés à d’autres régions de l’Amazonie, comme la Guyane française, afin de permettre une production rapide et régulière de ces cartes dans les zones qui en manquent encore.
Objectif
Les données sont déjà disponibles mais nécessitent un prétraitement : données Sentinel-1 et Sentinel-2 pour 25 régions d’intérêt, ainsi que leurs cartes à 10 m et 30 m de résolution issues du produit MapBiomas.
Tester la performance de plusieurs modèles de segmentation sémantique à l’état de l’art, avec et sans analyse temporelle, en utilisant les données annotées disponibles pour la détection des forêts et de la déforestation.
Comparer les données d’entrée et les techniques de fusion de données afin de combiner l’information provenant des deux satellites [6], tout en analysant la fréquence optimale d’utilisation de Sentinel-2 dans le temps et en évaluant leur impact sur les performances des modèles.
Profil et compétences recherchés
• Étudiant(e) en dernière année d’école d’ingénieurs, en césure ou en Master 2 (informatique, intelligence artificielle, sciences des données), avec un intérêt pour la télédétection.
• Solides compétences en programmation Python et en apprentissage profond (PyTorch, TensorFlow, Keras …).
• Connaissances en traitement et analyse de données spatiales (un plus apprécié).
• Bonnes capacités d’analyse, de synthèse et de rédaction.
• Curiosité scientifique, autonomie et goût pour le travail en équipe.