Soutenance de thèse - Nicolas Audebert

Bonjour à tous,

C'est avec un grand plaisir que je vous annonce que je soutiendrai ma thèse, intitulée "Classification de données massives de télédétection", le 17 octobre 2018 à 14h00 à l'ONERA Palaiseau en salle Marcel Pierre. Vous pourrez en trouver un résumé ci-dessous. La soutenance comportera un exposé de mes travaux (~45 minutes) et une séance de questions, puis sera suivie du traditionnel pot.

Le jury sera constitué de :

  • Jocelyn Chanussot - Gipsa-Lab, Institut polytechnique de Grenoble - Rapporteur
  • Vincent Lepetit - LaBRI, Université de Bordeaux - Rapporteur
  • Élisa Fromont - IRISA, Université de Rennes 1 - Examinatrice
  • Patrick Pérez - Valeo.ai - Examinateur
  • Yuliya Tarabalka - Inria Sophia Antipolis - Examinatrice
  • Bertrand Le Saux - DTIS, ONERA Palaiseau - Encadrant
  • Sébastien Lefèvre - IRISA, Université Bretagne-Sud - Directeur de thèse

La soutenance est publique mais, l'accès à l'ONERA étant restreint, il est nécessaire de vous inscrire à l'aide du bref formulaire ci-dessous (afin de pouvoir communiquer la liste des invités à la sécurité du centre et de prévoir approximativement le nombre de personnes présentes). Une pièce d'identité sera nécessaire à l'entrée (carte d'identité ou passeport).

Merci d'avance et au plaisir de vous voir le jour J,

Nicolas

Accès à l'ONERA :

Accès à l'ONERA

ONERA - Centre de Palaiseau, Chemin de la hunière, 91120 Palaiseau, France

Résumé de la thèse :

L'observation de la Terre permet de modéliser et de comprendre son évolution. L'abondance d'images de télédétection aériennes et satellitaires nécessite la mise en œuvre de moyens d'analyse automatiques, capables d'interpréter ces données et de cartographier la surface du globe. Cette thèse traite de la conception, du déploiement et de la validation de stratégies d'apprentissage automatique, en particulier de réseaux de neurones convolutifs profonds, pour la compréhension d'images et la cartographie automatisée. Nous proposons des modèles pour l'interprétation d'images couleur, multispectrales et hyperspectrales, capables de prendre en compte les interactions spatiales entre entités géométriques et produisant des cartes d'une précision permettant la détection d'objets. Nous introduisons des architectures de fusion de données par apprentissage multi-modal et correction résiduelle afin de tirer parti des données ancillaires, comme les modèles numériques de terrain et les connaissances géographiques disponibles a priori. Enfin, nous étudions les capacités de généralisation de ces modèles dans des cas extrêmes de jeux de données limités ou massifs. Nous validons tout au long de cette thèse nos contributions sur de nombreux jeux de données aériens et satellitaires pour la classification des sols, l'étude de l'utilisation des terres, l'extraction de bâtiments et la détection de véhicules.

Identité
Entreprise, laboratoire, institution... Laisser vide si cela ne s'applique pas.
Pour recevoir des informations de dernière minute.

Ne transmettez aucun mot de passe via Framaforms.