Programme et personnes formatrices
Cette formation se déroule sur 2 ou 3 jours. Elle se compose d'exposés et de travaux pratiques (TP) sur des jeux de données fournis.
- Connaître les principes théoriques de l’apprentissage profond et de la vision par ordinateur
- Connaître les principales approches d’apprentissage profond appliquées aux images d’observation de la Terre
- S’initier au traitement d’image à l’aide d’approches par apprentissage profond
- S’initier à des techniques d’apprentissage profond appliquées à l’environnement
- Connaître les bonnes pratiques en apprentissage automatique
- Principes fondamentaux de l’apprentissage profond et de la vision par ordinateur
- Structure et fonctionnement des réseaux de neurones convolutifs
- Mise en place des pipelines d’entrainements et utilisation des outils de suivi d’expériences
- Entrainement de réseaux sur des images proximales, aériennes et satellitaires
- Présentation de cas pratiques appliqués aux milieux naturels et urbains
- Architectures avancées et transformeurs
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
Introduction aux réseaux convolutionnels
13 h 30 à 17 h
- Introduction aux réseaux de neurones convolutifs (CNN)
- L’optimisation des modèles
- Les outils de suivi d’expérience
- Travail pratique sur un jeu d’images proximales en agriculture: entraînement d’un réseau classique pour classification multiclasses d'images
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 17 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
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 et discussions sur la formation
Personnes formatrices
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.
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.