Matthieu VERLYNDE

On se propose dans cette thèse d’étudier le problème de la classification de séries temporelles d’images en télédétection. Il s’agit d’un domaine qui soulève de nombreuses problématiques liées au nombre important de données dont la plupart sont non-labélisées. Dans ce cadre, l’efficacité et la frugalité énergétique dans le traitement des données sont cruciales pour deux aspects (Strubell, Ganesh et McCallum 2019, Wu et al. 2022) :

• L’accessibilité des méthodes proposées aux utilisateurs, pour permettre une inférence rapide sur une quantité de données de plus en plus importante. Ce point est également important pour l’utilisation par des acteurs non-experts, qui ne disposent pas de ressources computationnelles importantes.
• La réduction de l’empreinte écologique des méthodes d’IA, qui est un enjeu majeur pour le développement durable. En effet, les modèles d’IA sont souvent très coûteux en énergie. La nécessité d’utiliser les modèles de classification sur des données à grades échelles spatiales et temporelles rends donc crucial de développer des méthodes qui soient à la fois performantes et sobres en ressources énergétiques.

Les avancées récentes dans le domaine reposent sur des architectures de réseaux de neurones profonds basées sur des convolutions prenant en compte la dimension temporelle (Pelletier, Webb et Petitjean 2019), ou bien avec des architectures récurrentes couplées à des modules d’attention (Tang et al. 2022, Sainte Fare Garnot et al. 2020, Russwurm et Körner 2018). Ces modèles efficaces lorsqu’un grand nombre de données est disponible, sont souvent peu adaptés à des contextes où les données sont rares, ou bien lorsque les ressources computationnelles sont limitées. On s’intéresse ici à développer des méthodes de classification économes en énergie.
De plus, l’un des défis majeur en télédétection réside dans la nature faiblement supervisée de la télédétection, où malgré l’abondance de données, les annotations fiables sont rares, nécessitant des techniques innovantes pour exploiter au mieux les informations disponibles (Wang et al. 2020, Verbockhaven, Charpiat et Chevallier 2024), il est nécésaire de développer des méthodes qui soient à la fois efficaces, sobres en ressources et qui prennent en compte la nature faiblement supervisée des données. Les verrous scientifiques concernent d’une part la nécéssité de développer des métriques d’évaluation des modèles allant au delà de la performance de classification et incluant un compromis en regard de l’utilisation énergétique. D’autre part, de développer des architectures de réseaux permettant de reproduire des résultats de classification performants sur le problème de la classification de série temporelles tout en étant frugales en ressources computationnelles et sur le nombre de données utilisées.

__________________________________________________________________________________________________________

Direction : Ammar Mian, Yajing Yan (LISTIC)

• Wang et al. (2020), Weakly Supervised Deep Learning for Segmentation of Remote Sensing Imagery
• Strubell et al. (2019), Energy and Policy Considerations for Deep Learning in NLP
• Wu et al. (2022), Sus- tainable AI : Environmental Implications, Challenges and Opportunities
• Pelletier et al. (2019), Temporal Convolutional Neural Network for the Classification of
• Satellite Image Time Series
• Sainte Fare Garnot et al. (2020), Sa- tellite Image Time Series Classification With Pixel-Set Encoders and Temporal Self-Attention
• Russwurm et al. (2018), Multi-Temporal Land Cover Classification with Sequential Recurrent Encoders
• Wang et al. (2020), Weakly Supervised Deep Learning for Segmentation of Remote Sensing Imagery
• Verbockhaven et al. (2024), Growing tiny networks : spotting expressivity bottlenecks and fixing them optimally