Le CNES, l'IGN et l'ONERA recherchent urgemment un post-doctorant pour rejoindre le programme AI4GEO pour une durée de 24 mois (démarrage à partir de Septembre 2020).

Dans ce cadre, un ou plusieurs axes de recherche pourront être menés pouvant aboutir à des travaux ayant un fort impact scientifique, parmi :

  • Débruitage de Modèles Numériques de Surface : Les modèles numériques de surface et les nuages de points en sortie de chaîne de restitution altimétrique à partir d’images satellite multi-vues sont souvent très bruités et ce bruit a un impact sur la qualité de prédiction des modèles (machine learning et deep learning) ultérieurs. Cet axe de recherche consistera à étudier des méthodes de débruitage 2.5D ou 3D. Plusieurs solutions sont envisageables : IA et approches statistiques.
  • Classification 3D multi-échelle : La classification OBIA 2.5D et 3D à plusieurs échelles sémantiques en utilisant l’information contextuelle (spatiale et temporelle). Aujourd’hui, produire une carte de classification d’objets est largement réalisable mais utiliser l’agencement spatial de ces objets entre eux pour en déduire des méta-objets (ensemble d’objets ayant une signification sémantique par exemple un groupe de maisons alignés avec des piscines et des jardins constitue un lotissement) constitue un vrai défi. De plus, l’utilisation de modèles « vrai 3D » (avec texture associée) permettra d’améliorer la performance de classification sémantique.
  • Détection de changement 3D : La détection de changement dans des séries temporelles de nuages de points 3D. Cet axe de recherche fait déjà l’objet actuellement d’une thèse avec le laboratoire IRISA. Cependant, nous anticipons d’ores-et-déjà qu’il sera difficile de caractériser ce changement (car nous manquons notamment de vérités terrain associées) et de réaliser un passage à l’échelle de ces méthodes. L’étude aura pour objectif d’être en forte synergie avec la doctorante et d’augmenter la maturité des méthodologies proposées (passage à l’échelle et qualification des résultats).
  • Fusion et recalage de nuages de points à différentes échelles (LIDAR terrestre / aéroporté / données satellites).
  • Qualification des modèles IA : Aujourd’hui, pour mesurer la confiance associée à un modèle prédicteur (machine learning et deep learning), la méthode classique reste de diviser un ensemble de données dont nous disposons des vérités terrain en 2 sous-ensembles : apprentissage et test. Des métriques telles que le score F1, la précision, le Recall, ROC, IOU sont évaluées sur le sous-ensemble test. Cependant, lorsque ces modèles sont déployés en phase opérationnelle, ils prédisent chaque nouvelle observation et donnent forcément une étiquette à celle-ci. L’idée est donc d’explorer des approches permettant d’identifier si la nouvelle observation est issue d’une réalisation d’une loi de distribution similaire à celle ayant généré les données d’apprentissage. Des méthodes nouvelles, telles que les approches de réseau de neurones profonds probabilistes, apparaissent notamment pour des modèles prédicteurs embarqués dans des environnements critiques.
  • Correction des biais d’apprentissage : Enfin un axe de recherche également très important et d’évaluer et de corriger le biais/bruit introduit par les erreurs soit humaines soit issues de mesures de capteur dans des données de référence (vérités terrain). En effet, la présence de ces données bruitées entraîne souvent une perte de généralisation des modèles IA car ceux-ci deviennent alors très sensibles à des perturbations mineures sur les caractéristiques de nouvelles observations ce qui peut donc induire une mauvaise classification.

Le post-doc sera réalisé au CNES à Toulouse dans le cadre du projet AI4GEO. Il sera encadré par le laboratoire de recherche d’accueil.

La personne recrutée sera intégrée à l’équipe AI4GEO et pourra interagir notamment avec différents services au sein du CNES, de l’ONERA et de l’IGN. Elle sera également en contact avec les équipes de recherche du 3IA Toulousain (ANITI).

Pour toute question, contacter : This email address is being protected from spambots. You need JavaScript enabled to view it., This email address is being protected from spambots. You need JavaScript enabled to view it. ou This email address is being protected from spambots. You need JavaScript enabled to view it.

Pour postuler, envoyez lettre de motivation, CV et publications (avec références) par courrier électronique.

Plus d'information ici / more information here