Présentation de Magellium

Magellium intervient sur quatre domaines d’expertise qui nécessite une maitrise avérée des technologies de la géo-information et de l’imagerie.

Notre savoir-faire concerne l’observation de la Terre par Satellite, l’imagerie aérienne ou par drone avec une connaissance approfondie et reconnue des capteurs et du traitement d’image.

Notre expertise en géométrie 3D et en traitement d’image nous permet de développer des solutions techniques pour de nombreuses applications de robotique ou d’optoélectronique allant de la reconnaissance des formes 2D/3D à la localisation basée vision.

Magellium dispose depuis 2016 d’une équipe de R&D dédiée au deep learning. Le savoir-faire développé par cette équipe a permis d’aborder de nombreuses thématiques des cœurs de métier de l’entreprise. Citons par exemple la cartographie d’occupation des sols, la production de masques de bâtiments et de nuages à partir d’images satellites, la détection d’objets dans des images et vidéos ou encore la reconnaissance de caractère. Magellium a notamment développé une expertise sur le domaine de la segmentation sémantique qu’elle a pu mettre au service de ses clients (AIRBUS DS, CNES, …) pour des besoins spécifiques de détection d’objet (avions, bateaux, cratères martien, etc). En interne, cette technologie est activement utilisée pour réaliser de la détection et de délimitation automatique d’emprises de bâtiments sur des images très haute résolution et testée pour repérer les obstacles et la route dans des vidéos de type « dashcam » sur des véhicules de tourisme.

La problématique de la transférabilité d’un apprentissage à de nouveaux jeux de données est une problématique à laquelle Magellium a été confronté. Nous procédons systématiquement à des augmentations (géométriques et radiométriques) des jeux de données pour élargir l’utilisabilité des modèles produits. Ainsi des réseaux entrainés sur des images satellite en visée nadir peuvent être utilisé sur de l’imagerie drone. Afin d’aller plus loin Magellium s’est intéressé au transfert learning en utilisant des réseaux adverses (GAN) pour forcer un réseau à être compatible avec deux ensembles de données différents.

Présentation Irisa

L’équipe OBELIX de l’UMR 6074 IRISA (Université Bretagne Sud) mène des travaux en apprentissage automatique et analyse de données, analyse et traitement d’image, vision par ordinateur, pour la compréhension de l’environnement par télédétection. Depuis sa création en 2013, l’équipe a à son actif 4 projets ANR (dont 2 ASTRID / DGA intégrant du deep learning : SESAME et DeepDetect), 16 thèses démarrées (dont 5 soutenues) et 4 nouvelles en 2018 (toutes portant sur le deep learning), 7 postdocs, près de 200 publications en revues ou conférences. Elle est reconnue sur la scène nationale et internationale pour ses travaux en IA (deep learning) pour l’observation de la Terre. Plus précisément, la thèse de Nicolas Audebert (2015-2018) en collaboration avec l’ONERA porte sur l’analyse de scène par segmentation sémantique, avec le développement de nouveaux réseaux (ACCV 2016, EarthVision 2017, ISPRS Journal 2018, IGARSS 2018) et l’obtention de l’état de l’art sur différents jeux de données (ISPRS, INRIA, etc.). D’autres travaux menés dans l’équipe portent spécifiquement sur la détection d’objets à partir de données multi-vues et/ou dans des images à haut niveau de complexité (survols environnementaux, données géophysiques). La thématique du transfer learning est également explorée dans l’équipe, notamment par les méthodes de transport optimal et leur application au machine learning et au deep learning (ANR OATMIL, IEEE PAMI 2017, ECCV 2018, etc.).

 

Le projet « Transfert d’apprentissage pour analyse sémantique »

L’entrainement de réseaux de neurones à des fins de traitement d’image telles que l’analyse sémantique est aujourd’hui une technologie maitrisée. Le problème majeur rencontré lorsque l’on s’attache à résoudre des problèmes opérationnels précis réside dans les bases de données nécessaires à l’apprentissage. En effet, si les bases de données publiques permettent d’obtenir des résultats impressionnants, les bases d’apprentissages adaptés à des capteurs ou des cas d’usage spécifiques sont très rares. Il est donc souvent nécessaire d’investir un temps conséquent à la génération souvent manuelle de bases de données d’apprentissage. Ce projet vise à explorer une technique alternative permettant de pallier au manque de données d’apprentissage. Le Transfer learning consiste à utiliser une base de données d’apprentissage complète mais inadaptée au cas d’usage ainsi qu’une base de données réaliste mais pour laquelle il n’existe pas de vérité terrain. La combinaison de ces deux jeux de données grâce à des techniques de Transfer Learning telles que l’adaptation de domaine devrait permettre d’entrainer des réseaux de neurones adaptés au contexte malgré un manque de vérité terrain.