École d'été – Avancée: Apprentissage profond appliqué à l'observation de la Terre (2 jours)

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

À la fin de la formation, la personne apprenante sera en mesure de :

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.
Comprendre les grands principes des modèles génératifs
S’initier à la librairie PyTorch et aux outils de suivi d’expérience
Connaître les bonnes pratiques pour les projets en IA

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 peuvent aussi y trouver leur intérêt.

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

Contenu

Jour 1 (5 juin)

Images aériennes et satellitaires

8 h 30 à 12 h

Introduction à l’entrainement de réseaux pour imagerie satellitaire
Introduction à la segmentation sémantique
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

Outils et bonnes pratiques

13 h 30 à 16 h

Classification d’images satellites
Les outils pour l’annotation des données
Bonnes pratiques pour les projets en IA
Tendances, enjeux et défis dans le domaine

Jour 2 ( 6 juin)

Applications et architectures avancées

8 h 30 à 12 h

Introduction aux architectures à base de transformeurs
Introduction aux modèles génératifs
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

Approche pédagogique

La formation sera composée d'exposés sur les principes de l’apprentissage profond et de travaux pratiques (TP) illustrant sur la mise en œuvre de pipelines d’entrainement avec la librairie PyTorch. La formation privilégie l’utilisation de logiciels libres et de notebook python.

Personnes formatrices

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.

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.