École d'été – Apprentissage profond appliqué à l'observation de la Terre

Centre universitaire de formation continue

Présentation

Contexte

Cette école d'été est organisée par le Département de géomatique appliquée et le Centre d'applications et de recherche en télédétection (CARTEL). L’École en apprentissage profond donnera à ses participants les bases théoriques et pratiques nécessaires à comprendre le domaine, et ils en ressortiront outillés pour intervenir sur des projets faisant appel à ces techniques. Le contenu est plus orienté vers la pratique et l’application que la théorie et la recherche. Le contenu théorique nécessaire sera présenté, mais il sera complété par une comparaison des bibliothèques classiques pour l’apprentissage profond, par des présentations de scripts et de stratégies d’entraînement, ainsi que par un retour d’expérience sur les problèmes spécifiques liés à la mise en œuvre de projets d’intelligence artificielle en milieu industriel (infrastructure, accès aux données, résultats, etc.).

Objectifs

Apprentissage des notions de traitement d’images en apprentissage profond et application de ces modèles au domaine de la géomatique.
Apprentissage pratique de l’élaboration de modèles d’apprentissage profond pour la classification, la segmentation et la détection d’objets.

Public cible

Le contenu de cette école s’adresse principalement aux professionnels de l’informatique (ingénieurs, informaticiens détenteurs au minimum d’un baccalauréat en sciences), mais les professeurs et les étudiants aux cycles supérieurs en sciences ou en ingénierie (essentiellement ceux qui ne sont pas encore familiers avec l’apprentissage profond) peuvent aussi y trouver leur intérêt.

Ces trois jours de formation couvrent les bases jusqu’aux applications plus avancées.

Cette formation est offerte en collaboration avec la Faculté des lettres et sciences humaines.

Condition d’accès

Baccalauréat en sciences ou expérience professionnelle équivalente

Expérience de programmation générale ou idéalement en Python (débutant/intermédiaire)

Intérêt en géomatique et/ou observation de la terre

Note

*Pour obtenir un code de réduction et pouvoir vous inscrire avec le tarif pour employées ou employés d'OBNL, veuillez transmettre le nom de votre organisation et l’adresse de son site web par courriel à : cufc@USherbrooke.ca pour fin de validation. Le code de rabais sera demandé au moment de passer à la caisse. Les organismes publics ne sont pas admissibles.

**Pour obtenir un code de réduction et pouvoir vous inscrire avec le tarif étudiantes ou étudiants, veuillez transmettre une preuve de fréquentation scolaire actuelle (ex. attestation d'inscription, carte étudiante valide, etc.) par courriel à : cufc@USherbrooke.ca. Le code de rabais sera demandé au moment de passer à la caisse.

Contenu

Journée 1 (29 mai)

Introduction

8 h 30 à 12 h

Présentation de la formation
Principes fondamentaux de l’apprentissage profond et de la vision par ordinateur
Applications en géomatique pour l’observation de la Terre
Introduction aux outils utilisés durant la formation

Images proximales

13 h 30 à 17 h

Introduction aux réseaux de neurones convolutifs (CNN)
Introduction aux librairies et outils de base
Présentation d’un cas d'étude en agriculture: détection de maladie dans les vignes
Travail pratique sur un jeu d’images proximales en agriculture: entraînement d’un réseau classique pour classification multiclasses

Journée 2 (30 mai)

Images aériennes et satellitaires

8 h 30 à 12 h

Introduction à l’entrainement de réseaux pour imagerie satellitaire
Présentation de cas d'étude en milieu urbain: reconnaissance de l’état d’infrastructures urbaines
Travail pratique de classification d'images pour la détection automatique des nuages et segmentation sémantique pour l'extraction d'informations cartographiques sur des images aériennes à très haute résolution spatiale
Démonstration d’un exemple d’application multi-temporelle (Google Earth Engine)

Outils et bonnes pratiques

13 h 30 à 17 h

Les outils de suivi d’expérience
Les outils pour l’annotation des données
Bonnes pratiques pour les projets en IA
Tendances, enjeux et défis dans le domaine

Journée 3 (31 mai)

Applications et architectures avancées

8 h 30 à 12 h

Introduction aux architectures à base de transformeurs
Introduction aux GANs
Mise en pratique

La détection d’objets

13 h 30 à 17 h

Les architectures pour la détection d’objets
Mise en pratique
Conclusions, rétroactions et discussions sur la formation

Personnes formatrices

MICKAËL GERMAIN

Département de géomatique appliquée

Le professeur Germain est chercheur au Centre d’applications et de recherches en télédétection (CARTEL) ainsi qu’au Centre de la science et de la biodiversité du Québec (CSBQ). Ses recherches portent notamment sur le développement de systèmes d’aide à la décision, sur l’intégration d’outils intelligents pour l’analyse des données géospatiales dans les systèmes d’information géographique, et sur la fusion des données multisources. Au cours des 10 dernières années, il a réalisé plusieurs projets dans ces domaines sur des thématiques aussi variées que les sciences planétaires, la géologie terrestre, l’environnement urbain, les changements climatiques, et la biodiversité.

SAMUEL FOUCHER

Département de géomatique appliquée

Le professeur Foucher est chercheur au Centre d’applications et de recherches en télédétection (CARTEL) et collaborateur au Centre de la science et de la biodiversité du Québec (CSBQ). Ses recherches portent sur l'application de l'apprentissage profond aux données géospatiales de manière générale. Il a plus de 25 ans d'expérience en recherche et développement en milieu industriel touchant à la vision par ordinateur, le traitement de l'imagerie satellite et le développement de solutions basées sur l'apprentissage automatique.

YACINE BOUROUBI Le professeur Bouroubi est chercheur au Centre d'applications et de recherches en télédétection (CARTEL). Il possède plus de vingt ans d’expérience de recherche dans les domaines du traitement des images numériques appliqué à différentes thématiques des sciences géomatiques. Ses principaux travaux de recherche portent sur l’extraction de l’information utile des images de télédétection, notamment par des techniques avancées comme l’apprentissage profond. Au cours des cinq dernières années, il a réalisé plusieurs projets dans ce domaine sur des thématiques aussi variées que la cartographie d’occupation du sol, l’aménagement urbain, les énergies renouvelables et l’agriculture de précision.

ÉTIENNE CLABAUT

Département de géomatique appliquée

Étienne Clabaut a obtenu son doctorat en physique de la télédétection en 2020. Après avoir été professionnel de recherche où il a appliqué l’apprentissage profond à la détection des gossans en Arctique, il a participé activement au secteur R&D de XEOS Imagerie en intelligence artificielle dans le cadre d’un Post-Doctorat au département de géomatique appliquée de l’Université de Sherbrooke. Il est maintenant coordinateur de l’équipe R&D chez XEOS Imagerie et chargé de cours à l’Université de Sherbrooke.