Analyse de données multi-modales massives : distillation et apprentissage profond pour l'extraction de connaissances – M2-BDA

M2-BDA concerne l'exploitation des techniques d'apprentissage automatique et profond pour l'observation de la Terre en utilisant et combinant divers flux de données multimodales et multi-échelles (satellites, capteurs aéroportés, in-situ). Le projet vise à résoudre des défis critiques dans quatre domaines clés : l’analyse multi-échelle, la distillation des connaissances, l’explicabilité des réseaux et l’apprentissage auto-supervisé. La tâche “'analyse multi-échelle” vise à combiner des données multi-échelles à l'aide de réseaux neuronaux avancés. La tâche “distillation des connaissances” vise à simplifier les modèles complexes d'apprentissage automatique pour qu'ils fonctionnent en temps réel sans sacrifier la précision. La tâche “explicabilité des réseaux” vise à mettre en lumière la nature "boîte noire" des modèles complexes, afin de les rendre plus interprétables pour des utilisateurs. Enfin, la tâche “apprentissage auto-supervisé” permettra de remédier au manque de données étiquetées/labellisées en développant des techniques d'apprentissage qui ne nécessitent pas d'annotation manuelle. Le projet est organisé en cinq tâches (WP), chacune abordant des aspects différents. L'objectif est de créer un cadre d’analyse complet capable de traiter en temps quasi réel des flux massifs de données hétérogènes, avec l'hypothèse forte de maintenir l'interprétabilité des modèles. Les méthodologies développées seront intrinsèquement conçues pour fonctionner avec des flux de données multimodales et multi-échelles, conduisant à une surveillance environnementale plus robuste et plus efficace. Deux cas d'utilisation ont été sélectionnés : la fusion de diverses séries temporelles d'images multi-résolution pour l'évaluation de la couverture et de l'utilisation des terres agricoles, et la combinaison de diverses données sismologiques pour la gestion de l’aléa volcans et de l’aléa glissements de terrain.