Apprentissage profond interprétable basé sur les liens avec les méthodes d'optimisation pour le démélange hyperspectral aveugle – MEDICI

Au cours des dernières décennies, les images hyperspectrales sont devenues populaires dans en télédétection. En raison de leur faible résolution spatiale, le démélange hyperspectral (HSU) est un outil clé pour leur compréhension. De nombreux algorithmes de HSU actuels sont basés sur l'apprentissage profond, et la plupart d'entre eux souffrent néanmoins d'un manque d'interprétabilité. Dans ce projet, nous visons à proposer de nouvelles méthodes de HSU aveugle interprétables basées sur l'apprentissage profond. Nous proposons de nous concentrer sur des méthodes couplant des algorithmes d'optimisation classiques avec des réseaux neuronaux en suivant deux approches : le Plug-and-Play (PnP) et le Deep Unrolling (DU).

Très peu d'algorithmes PnP pour le HSU aveugles ont été proposés et ceux qui existent souffrent de fortes limitations : aucune étude de convergence n'est réalisée et leur interprétabilité est réduite par le fait qu'aucun lien n'est établi entre les algorithmes et une fonction de coût. Par ailleurs, les débruiteurs qu'il utilisent sont souvent simples. Par opposition, sur la base des avancées théoriques récentes dans les méthodes PnP, nous proposons de développer des schémas PnP HSU aveugles efficaces convergents avec des fonctions de coût explicites. Nous étendrons ensuite nos travaux aux modèles de mélanges non linéaires.

Les méthodes de DU HSU actuelles, bien que plus interprétables que les réseaux « boîtes noires », souffrent également de limitations : premièrement, du point de vue de l'apprentissage, les architectures de réseaux déroulés souffrent du problème du « vanishing gradient » et n'ont pas de garanties mathématiques. Deuxièmement : pour le HSU aveugle, il y a peu, voir aucun, d'ensembles de données étiquetés pour effectuer un apprentissage supervisé. Nous amélioreront donc à la fois les réseaux de neurones utilisées et leur apprentissage grâce à des méthodes auto-supervisées. Nos travaux seront ensuite étendus à des modèles non-linéaires.