Apprentissage continu profond à partir de séries temporelles d'images satellitaires – DECOL

Les capteurs imageurs modernes capturent fréquemment des images satellites de toutes les surfaces émergées, appelées séries temporelles d'images satellitaires (SITS). Pendant la dernière décennie, l'analyse automatique des SITS a progressé grâce au développement d'architectures de réseaux de neurones profonds scalables et précises, capables de traiter la structure temporelle des SITS. Cependant, toutes ces approches sont entraînées de manière statique : un nouveau modèle est appris pour chaque jeu de données sans tirer parti des connaissances accumulées au fil du temps. En plus d'être coûteux en termes de calcul et de temps, attendre une série complète d'images satellitaires est également sous-optimal car les images sont généralement traitées en quelques jours. Une solution d'apprentissage dynamique consiste à mettre à jour un modèle à partir d'un flux de données en accumulant des connaissances au fil du temps sans oublier les informations pertinentes du passé. En apprentissage profond, cette stratégie est connue sous le nom d'apprentissage continu. Un autre problème est la rareté des données étiquetées pour entraîner continuellement ces modèles. La plupart des solutions existantes (par exemple, l'adaptation de domaine) entraînent également les modèles de manière statique et ne peuvent donc pas être mises à jour lorsque de nouvelles données arrivent.

Le projet DECOL vise à concevoir de nouvelles techniques d'apprentissage continu pour les SITS. En outre, DECOL étudiera la robustesse des méthodes proposées aux artefacts dans les données SITS (couverture nuageuse, changements dans les conditions d'acquisition, etc.). Il examinera également l'apprentissage continu de représentations de séries temporelles dans des scénarios où les données étiquetées sont rares, y compris l'adaptation continue de domaine et l'intégration de connaissances préalables. Les techniques proposées seront appliquées à l'application phare de la surveillance des forêts en Amazonie.