CE23 - Intelligence artificielle et science des données 2022

Cartographier la Terre via l'imagerie aérienne en apprenant sur des données de jeux – MAGE

Résumé de soumission

D'importants volumes de données d'Observation de la Terre (OT) sont disponibles grâce aux satellites européens Sentinel-2 et aux programmes français d'imagerie SPOT et BDORTHO. Néanmoins, cette masse de données est non-étiquetée et ne contient pas d'information sémantique utile pour l'apprentissage automatique de modèles pour des applications concrètes.

La branche du programme Copernicus dédiée à la gestion des catastrophes réalise des tâches de cartographie rapide qui pourraient fortement bénéficier de temps de réponse grâce à l'IA. L'interprétation des données de télédétection après une catastrophe (inondation, séisme…) relève actuellement du travail des experts. Ces incidents étant des événements peu fréquents, les jeux de données d'apprentissage sont particulièrement rares. La communauté de la conduite autonome a pallié ce problème en utilisant les jeux vidéo pour simuler des situations difficiles à observer dans la réalité. Simuler des données d'OT est devenu possible grâce à des outils tels que CityEngine en créant des clones virtuels de villes entières.

Ce projet vise à allier ces outils et permettre à l'apprentissage profond d'exploiter les données de simulation pour la cartographie rapide post-catastrophe. Nous nous appuierons sur des moteurs de jeux pour simuler des vues aériennes de villes avant et après incident (inondation, séisme, incendie). Ces images serviront de données supervisées complémentaires à la masse de données non-étiquetée existante. Nous rendrons les images simulées plus réalistes en développant des approches d'adaptation de domaine basées sur les modèles génératifs et nous développerons des méthodes d'apprentissage semi-supervisé sur le principe de l'auto-supervision pour la segmentation sémantique. Ceci nous permettra d'entraîner des modèles profonds capables de généraliser pour la cartographie des structures endommagées et l'identification des quartiers les plus touchés, facilitant la navigation des services d'urgence.

Coordination du projet

Nicolas Audebert (Conservatoire National des Arts et Métiers Paris)

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.

Partenariat

CEDRIC Conservatoire National des Arts et Métiers Paris

Aide de l'ANR 255 489 euros
Début et durée du projet scientifique : octobre 2022 - 42 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter