Soutenance de thèse d'Anthony Frion

Résumé : Via les missions d’observation relevant, par exemple, du programme Copernicus de l’Union européenne, de très grandes quantités d’images satellites multispectrales de la surface de la Terre sont aujourd’hui disponibles. Ces données permettent, entre autres, de surveiller l’état d’environnements tels que les forêts, glaciers et océans ou de faciliter  l’organisation des secours lors de catastrophes naturelles telles que les inondations et incendies. Ainsi, les méthodes de traitement des données issues de satellites, souvent basées sur des réseaux de neurones artificiels, sont d’un grand intérêt pour ces applications. Cependant, entraîner ces modèles avec un paradigme d’apprentissage supervisé requiert l’annotation de grandes quantités de données pour chacune des applications considérées, et la prise en compte de séries temporelles d’images (plutôt que d’images seules) reste difficile. Dans cette thèse, nous proposons d’adopter une approche auto-supervisée, dans le but d’apprendre un modèle dynamique d’évolution à partir de données non annotées, disponibles publiquement et massivement. Nous proposons différentes méthodes pour utiliser un tel modèle dynamique pour résoudre différentes tâches pratiques, notamment en l’intégrant dans un coût variationnel d’assimilation de données. Bien que nous nous concentrions sur des séries temporelles d’images de forêts prises par les satellites Sentinel-2, nous avons pour ambition de développer des méthodes applicables à divers types de séries temporelles, y compris en dehors du champ de l’imagerie satellitaire.