JCJC SIMI 2 - JCJC - SIMI 2 - Science informatique et applications

Analyse Spatio-temporelle pour la Télédétection de l’Environnement par Reconnaissance dans les Images compleXes – ASTERIX

Analyse Spatio-temporelle pour la Télédétection de l’Environnement par Reconnaissance dans les Images compleXes

Le but du projet, et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques concernent ainsi la dimensionnalité, l'hétérogénéité, le volume et le caractère spatio-temporel des données images.

Enjeux et objectifs

Suite à la profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de traiter de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation. Pourtant, la prise en compte du voisinage spatial et temporel, ainsi que la diversité des données requises, doivent permettre d’augmenter significativement les performances obtenues. Le but de ce projet, et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques concernent ainsi la dimensionnalité, l'hétérogénéité, le volume et le caractère spatio-temporel des données images. <br />Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaine du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés : littoral et montagnard. Il s’agira ainsi de contribuer également au développement des travaux scientifiques dans différents domaines tels que la géographie environnementale, la géomorphologie, la géophysique, ou encore la géomatique.

Le projet ASTERIX a pour ambition d’offrir des mécanismes avancés d’analyse spatio-temporelle à partir de données complexes, dans le contexte de l’analyse et de l’interprétation d’images en télédétection pour l’environnement. Pour y parvenir, différents verrous méthodologiques doivent être levés en analyse d’image et apprentissage automatique pour faire face à la complexité des données à analyser. Plus précisément, cette complexité inhérente à la télédétection sera appréhendée selon trois orientations :
- les images complexes car hétérogènes et multi-sources ;
- les images complexes car volumineuses et potentiellement de grande dimension ;
- les images complexes car intégrant également une information temporelle.
Ces trois orientations complémentaires motivent une structuration du projet selon trois tâches à connotation méthodologique : reconnaissance dans les données hétérogènes (T1) ; reconnaissance dans les données volumineuses et en grande dimension (T2) et reconnaissance dans les données temporelles (T3).

Les problématiques abordées lors de ce projet, loin de se limiter à des aspects méthodologiques, sont également de nature applicative. Les applications se focalisent ici sur des questions touchant à la télédétection de l’environnement, et ciblent plus précisément deux milieux : littoral et montagnard. Elles font partie d’une unique tâche (T4), transversale aux différentes contributions méthodologiques. La mise en œuvre des développements méthodologiques se traduira par la réalisation d’un logiciel et d’un environnement d’exécution des méthodologies élaborées dans le cadre de ce projet. Ce développement logiciel pourra donner lieu à la production de composants diffusés auprès de la communauté sous licence libre. En outre, pour permettre un accès aisé aux masses de données et à leur traitement par tous les partenaires, il est prévu d’utiliser un cluster (jusqu’à 30 nœuds de calcul/données) mis à disposition par l’IRISA sur le site UBS de Vannes.

Les résultats obtenus à mi-parcours consistent essentiellement en des développements méthodologiques, parmi lesquels :
- nouvelles méthodes pour la sélection d’attributs (WHISPERS 2014 et JSTARS 2015), la description morphologique d’images hyperspectrales (ICIP 2014), la description supervisée d’images hyperspectrales par des représentations arborescentes (IIM 2014 et WHISPERS 2014), la description de données d’élévation (DSM) par des représentations arborescentes (IGARSS 2015), et la classification par méthode à noyaux de représentations hiérarchiques d’image (GbR 2015) ;
- approche morphologique pour la détection de routes (PRRS 2014) ;
- fusion de séries temporelles d'images optique et radar (stage Master) ;
- analyse et classification d’images hyperspectrale par une approche basée variété (JSTARS 2014), factorisation en matrices non négatives (Machine Learning 2014) ;
- apprentissage actif sur séries temporelles (stage Master) ;
- comparaison de méthodes de classification de séries temporelles (stage Master), nouvelle approche utilisant la représentation par sacs de mots (ECML/PKDD 2015) ;
- méthodes d’adaptation de domaine basée sur le transport optimal (ECML/PKDD 2014) et de détection d’anomalie basée sur la réduction de dimensions (ECML/PKDD 2014).

Les questions traitées dans le cadre du projet ASTERIX intéressent une large communauté, tant sur le plan méthodologique en analyse d’image et apprentissage automatique, que sur le plan applicatif en télédétection de l’environnement. Il est donc envisagé de confronter les résultats obtenus par les membres du projet à ceux d’autres équipes nationales et internationales. Sur le plan national, cet échange pourra prendre la forme de journées thématiques organisées sous l’égide de différents GDR (ISIS, I3, ou encore MAGIS). L’organisation de sessions spéciales ou d’ateliers dans le cadre de conférences majeures du domaine permettrait également d’évoquer ces questions avec une plus large audience et ainsi d’assurer une plus grande diffusion des résultats obtenus. Ces événements pourraient donner lieu à l’édition d’un numéro spécial dans une revue scientifique à comité de lecture (notamment dans la communauté remote sensing).
La promotion du projet sera facilitée par la mise en place d’un site web dédié. Outre une présentation des problématiques traitées dans le cadre du projet et de leurs applications environnementales, le site hébergera des démonstrateurs illustrant les solutions apportées lors du projet. Ces solutions pourront par ailleurs faire l’objet d’une diffusion auprès de la communauté académique sous forme de logiciel libre. Celui-ci comblerait ainsi les besoins exprimés par les experts en télédétection de l’environnement, qui ne disposent pas à l’heure actuelle de logiciels d’analyse d’image capables d’offrir des mécanismes avancés d’analyse spatio-temporelle. L’implication de l’OSUR dans ce projet permettra de favoriser et d’accélérer la réutilisation des développements effectués dans des contextes applicatifs variés, au travers de la plate-forme image dont elle dispose.

Revues à comité de lecture
- N. Courty, X. Gong, J. Vandel, T. Burger. SAGA: Sparse And Geometry-Aware non-negative matrix factorization through non-linear local embedding. Machine Learning, 97(1-2):205-226, 2014
- L. Chapel, T. Burger, N. Cou

Suite à la profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de considérer de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation.
Le but du projet ASTERIX (Analyse Spatio-temporelle pour la Télédétection de l'Environnement par Reconnaissance dans les Images compleXes), et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques concernent la dimensionnalité, l'hétérogénéité, le volume, le caractère spatio-temporel, et l'évolution temporelle des données images.
Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaines du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés, littoral et montagnard, en considérant dans le premier cas la dynamique d’objets environnementaux indicateurs de l’évolution du littoral, et dans le second cas la dynamique de colonisation des prairies par le frêne dans les Hautes-Pyrénées et la dynamique de processus géologiques (glaciers et glissements de terrain).

Coordinateur du projet

Institut de Recherche en Informatique et Systèmes Aléatoires (Laboratoire public)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

Institut de Recherche en Informatique et Systèmes Aléatoires

Aide de l'ANR 275 979 euros
Début et durée du projet scientifique : septembre 2013 - 48 Mois

Liens utiles