Analyse Spatio-temporelle pour la Télédétection de l’Environnement par Reconnaissance dans les Images compleXes – ASTERIX

Le projet ASTERIX a permis des développements significatifs de plusieurs paradigmes récents de l’analyse et du traitement des données. Les hiérarchies morphologiques fournissent un cadre particulièrement adapté à l’analyse rapide d’images de télédétection, sur lequel peuvent s’appliquer des méthodes à noyaux pour l’apprentissage. La modélisation des données par mélange de gaussiennes permet de sélectionner des attributs pertinents pour représenter plus simplement des données complexes. La combinaison de résultats de segmentation ou de classification en tenant compte de leurs incertitudes apporte des solutions au cas des données multi-sources. Les méthodes de factorisation en matrice non négatives peuvent être employées en apprentissage de variétés pour résoudre les problèmes de sélection d’attributs, de détection d’anomalies, de classification, et de démélange spectral. L’apprentissage de séries temporelles peut être réalisé à partir de méthodes actives ou par sacs de mots, et leur reconstruction par assimilation de données. Le transport optimal fournit un cadre propice à l’adaptation de domaine, tandis que la réduction de dimensions peut servir à la détection d’anomalie.

Le projet ASTERIX a fait avancer l’état de l’art en science des données et ses applications en observation de la Terre, avec des méthodes aux performances accrues en termes de précision des résultats obtenus et/ou consommation de ressources (mémoire et calcul), et une capacité à appréhender des données complexes jusqu’ici insuffisamment exploitées. Dans le contexte des nouveaux programmes d’observation de la Terre tels que Sentinel, les applications visées sont nombreuses et variées : cartographie de l’occupation et de l’usage des sols, recherche de scènes dans des bases d’image, estimation d’indicateurs de biomasse, mesure de l’évolution du tissu urbain, etc. Différentes applications que cherchera à développer la start-up Kermap.

Au cours du projet, le paradigme de l’apprentissage profond s’est très largement répandu en apprentissage automatique, vision par ordinateur, mais aussi en télédétection. Loin de supplanter les développements réalisés dans le projet ASTERIX, son essor incite à envisager un couplage avec d’autres paradigmes dont la maîtrise par le consortium s’est renforcée en cours de projet (par exemple les représentations multi-échelles, le transport optimal, l’analyse de séries temporelles, etc.). C’est dans ce contexte que les membres du projet se sont engagés dans différents projets visant à explorer l’interface entre différents paradigmes. Bien que l’apprentissage profond ait permis des gains significatifs de précision dans les tâches de reconnaissance dans les images de télédétection, il reste confronté à de nombreux verrous tels que la complexité des données à traiter, l’importance des données d’apprentissage, ou la simplicité des tâches réalisées jusqu’à aujourd’hui. Lever ces verrous s’inscrit dans la continuité logique des travaux engagés dans le projet ASTERIX.

Le projet ASTERIX a donné lieu à de nombreuses publications internationales, avec 21 articles et 32 communications. Les résultats du projet ont ainsi été diffusés dans différentes communautés : apprentissage automatique (Machine Learning et 4 communications à ECML-PKDD), reconnaissance de formes (dont ACCV et ICIP), et surtout télédétection (avec notamment 4 articles publiés dans IEEE TGRS, 5 dans IEEE JSTARS, 2 dans Remote Sensing 2 dans ISPRS IJGI ; 7 communications à IGARSS, 4 à WHISPERS, 5 à BiDS/IIM, 2 à GEOBIA).

Liste complète disponible sur la page web du projet : anr-asterix.irisa.fr

Suite à la profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de considérer de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation.
Le but du projet ASTERIX (Analyse Spatio-temporelle pour la Télédétection de l'Environnement par Reconnaissance dans les Images compleXes), et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques concernent la dimensionnalité, l'hétérogénéité, le volume, le caractère spatio-temporel, et l'évolution temporelle des données images.
Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaines du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés, littoral et montagnard, en considérant dans le premier cas la dynamique d’objets environnementaux indicateurs de l’évolution du littoral, et dans le second cas la dynamique de colonisation des prairies par le frêne dans les Hautes-Pyrénées et la dynamique de processus géologiques (glaciers et glissements de terrain).