Stage de fin d’études – Apprentissage profond pour la détection de favelas par segmentation sémantique d’images satellites. Zones d’études : Rio de Janeiro, Brasilia, et Macapa (Brésil)
Nom des structures encadrantes : Espace-DEV, Institut de Recherche pour le Développement (IRD)
Localisation géographique du stage : Montpellier, Maison de la Télédétection, 500 rue Jean-François Breton, 34093 Montpellier
Durée : 6 mois
Date d’entrée en poste : Février – Mars 2025
Revenu : Gratification prise en charge au taux en vigueur
Contexte
Ce stage s’inscrit dans le cadre du projet MATHIS «Méthodes Automatiques de Télédétection des Habitats Informels pour la Santé», qui vise à comprendre les déterminants impliqués dans la transmission de maladies infectieuses en environnement urbain. L’objectif principal de ce projet CNES-TOSCA est de définir une typologie des favelas sur les villes de Brasilia et Rio de Janeiro (Brésil) à partir de données satellitaires et d’informations de santé. Dans un premier temps, des méthodes de cartographie automatique des favelas, dont la croissance est rapide et non contrôlée, sont développées pour en assurer un suivi dynamique.
Deux approches de cartographie automatique des favelas ont été développées sur Rio de Janeiro, par classification binaire de cellules géographiques :
Approche par apprentissage profond : Les variables associées à chaque cellule sont extraites par apprentissage profond sur des images Sentinel-1 et Sentinel-2 avec le réseau de neurones pré-entraîné Croma [2] (un « Remote Sensing Foundation Model », RSFM). Les favelas sont détectées par apprentissage automatique sur ces variables.
Approche multivariable [1] : Pour chaque cellule, 6 variables sont calculées (indice spectral calculé sur image Pléiades, indices calculés sur un modèle numérique de terrain, indices calculés à partir de données OpenStreetMap). Les favelas sont détectées par apprentissage automatique sur ces variables.
Objectif
L’objectif général du stage sera de développer une approche de détection des favelas sur imagerie spatiale par segmentation sémantique :
- Avec Croma : il est possible de faire de la segmentation sémantique à partir des caractéristiques extraites par Croma (Segmenter [3], SegViT [4]).
- Avec d’autres RSFM ([5], [6], [7]).
Profil et compétences attendus
- Étudiant(e) en Master 2 ou en dernière année d’école d’ingénieurs (informatique, intelligence artificielle, science des données, géomatique, télédétection…).
- Compétences en programmation Python (PyTorch apprécié)
- Capacités d’analyses et rédactionnelles.
Pour candidater
Les personnes souhaitant candidater doivent envoyer leur CV et une lettre de motivation à nadine.dessay@ird.fr, joris.guerin@ird.fr,
laurent.demagistri@ird.fr, thomas.hallopeau@ird.fr