Suivi du déplacement des glaciers par apprentissage de similarité – GlacioSim

La réaction des glaciers aux fluctuations du climat en fait d'excellents indicateurs du changement climatique. Les séries temporelles d'images satellites offrent la possibilité d'estimer la vitesse de surface des glaciers, une variable clé qui régit le bilan de masse glaciaire. Les techniques classiques de calcul des vitesses de surface à partir d'images satellite reposent sur le calcul d'une carte de similarité entre deux images. Ces cartes sont souvent bruitées et peuvent contenir des valeurs manquantes, car le signal est facilement perdu dans le temps en raison de l'évolution rapide de la surface du glacier. L'appariement profond d'image, ou deep image matching, est un outil prometteur pour apprendre la similarité d'une paire d'images. Dans ce projet, les avancées récentes en matière de théorie des données manquantes, vision par ordinateur et deep image matching sont explorées afin d'améliorer la surveillance dans le temps des flux de vitesse de surface des glaciers. L'originalité du projet repose sur (i) un nouveau cadre probabiliste pour imputer les valeurs manquantes des cartes de similarité ; (ii) l'étude des caractéristiques temporelles, spatiales et spectrales à plusieurs échelles pour mieux prédire la similarité ; (iii) le développement d'un cadre pour l'apprentissage profond de la similarité basé sur l'apprentissage contrastif, l'extraction de caractéristiques par fusion attentionnelle et l'entraînement par génération d'auto-échantillons.