Programme et formateurs
L'École d'automne « Apprentissage profond appliqué à l'observation de la Terre » sera de retour en septembre 2021. La date sera confirmée dans les prochaines semaines. Pour toute question, vous pouvez communiquer avec Geomatique@USherbrooke.ca.
Description de la formation
Cibles de formation
- 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
Contenu
- Principes fondamentaux de l’apprentissage profond et de la vision par ordinateur
- Structure et fonctionnement des réseaux de neurones convolutifs
- Entrainement de réseaux sur des images proximales, aériennes et satellitaires
- Présentation de cas pratiques appliqués aux milieux agricoles, forestiers et urbains
Programme et horaire
Cette formation se déroule sur 2 jours, soit jeudi et vendredi 24 et 25 octobre 2019. La formation sera composée d'exposés et de travaux pratiques en laboratoire informatique sur des séries d’images fournies. L'accès aux ordinateurs et aux logiciels est fourni dans le cadre de la formation.
Jeudi 24 octobre 2019
8 h 30 à 12 h 00 - Introduction
- 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
13 h 30 à 17 h 00 - Images proximales – milieu agricole
- Introduction aux réseaux de neurones convolutifs (CNN)
- 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
Vendredi 25 octobre 2019
8 h 30 à 12 h 00 - Images proximales et aériennes – milieu forestier
- Introduction à l’entrainement d’un CNN pour imagerie aérienne et ses contraintes
- Présentation de cas d'étude en foresterie: reconnaissance d’essences forestières
- Travail pratique sur un jeu de données d’images proximales et aériennes: entrainement d’un réseau sur un jeu d’images proximales et généralisation sur des images aériennes
13 h 30 à 17 h 00 - Images satellites – milieu urbain
- Introduction à l’entraînement de réseaux pour imagerie satellitaire (segmentation)
- Présentation de cas d'étude en milieu urbain : reconnaissance de l’état d’infrastructures urbaines
- Travail pratique sur un jeu de données (DeepGlobe) en milieu urbain ou travail pratique incluant des erreurs à corriger ou de la préparation de base de données ou des changements de structures de réseaux pour la segmentation d'une dizaine de classes avec Unet
- Présentation de GéoImageNet
- Formulaire de rétroaction
- Conclusion
Formateurs
Justine Boulent est candidate au doctorat en géomatique à l’Université de Sherbrooke. Elle se spécialise dans l’application des outils de géomatique aux domaines de l’agriculture et du végétal. Son projet actuel porte sur le développement de techniques d’identification automatique de problèmes phytosanitaires de la vigne.
Yacine Bouroubi est professeur au Département de géomatique appliquée de l'Université de Sherbrooke et 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.
Claude Chapdelaine est conseillère senior au CRIM dans l’équipe Vision et imagerie. Elle est responsable de plusieurs projets, dont GéoImageNet qui est une plateforme d’annotation d’images satellites de haute résolution permettant d’obtenir des données pour l’entrainement et l’évaluation de modèles d’apprentissage profonds.
Samuel Foucher, Ph. D., est directeur d'équipe chez Vision et Imagerie et chercheur senior au CRIM. Il détient un doctorat en imagerie radar du CARTEL. Ses domaines d’expertise couvrent le traitement d’images, les techniques multirésolutions, la fusion au niveau des données et des décisions, la théorie des croyances de Dempster-Shafer et l'application de l'apprentissage profond à la télédétection. Il était professeur associé au Département de géomatique appliquée de l’Université de Sherbrooke jusqu’en 2014 et professeur associé au laboratoire LIVIA de l’ÉTS (École de technologie supérieure) jusqu'en 2016.
Pierre-Luc St-Charles est un chercheur postdoctoral spécialisé en vision par ordinateur au Centre de recherche informatique de Montréal (CRIM). Il a obtenu un doctorat en génie informatique de Polytechnique Montréal en 2018 dans le domaine de la vidéosurveillance, et travaille au CRIM dans l'équipe Vision et imagerie depuis 2011. Ses principaux domaines d'intérêt sont l'apprentissage machine, la détection d'anomalies, le suivi d'objets et la reconstruction/modélisation 3D.
Rémi Tavon est actuellement candidat à la maîtrise en géomatique appliquée de l’Université de Sherbrooke. Son projet vise à caractériser automatiquement les trottoirs et autres corridors piétonniers afin d’améliorer la planification de trajets pour les personnes en fauteuil roulant. Sa méthodologie se base sur les avancées récentes en lien avec les réseaux de neurones convolutifs et leur application, notamment en segmentation sémantique.
Partenaires
