Soutenance de doctorat de Rassim Hadjeres : Modélisation probabiliste et apprentissage profond pour le démélange hyperspectral
Jeudi 17 juillet 2025 à 14h (heure de Paris), à Télécom Paris
Télécom Paris, 19 place Marguerite Perey F-91120 Palaiseau [y aller], amphi Rose Dieng-Kuntz et en visioconférence
Jury
- Saïd Moussaoui, Professeur, École Centrale de Nantes, Rapporteur
- Yannick Deville, Professeur, Université de Toulouse, Rapporteur
- Nicolas Dobigeon, Professeur, Université de Toulouse, Président/Examinateur
- Sidonie Lefebvre, Maître de recherche, ONERA, Examinatrice
- Florence Tupin, Professeur, Télécom Paris, Directrice de thèse
- Christophe Kervazo, Maître de conférences, Télécom Paris, Co-directeur de thèse
Résumé
Le démélange hyperspectral est un outil essentiel pour l’analyse et l’extraction d’information à partir de données de télédétection hyperspectrales. Il vise à estimer, pour chaque pixel, les signatures spectrales des matériaux purs, ainsi que leurs abondances (proportion de chaque matériau au sein d’un pixel) associées. Dans notre première contribution, nous nous plaçons dans le cadre du modèle de mélange linéaire et nous tentons de relever le défi du manque de données d’entraînement labellisées pour les algorithmes de démélange hyperspectral basés sur l’apprentissage automatique et l’apprentissage profond.
Nous proposons une méthodologie permettant de générer synthétiquement des données d'entraînement labellisées...
… directement à partir de l’image hyperspectrale à démélanger, et démontrons l’efficacité de notre approche en entraînant un algorithme de démélange déroulé obtenant des résultats supérieurs à ceux d’autres méthodes de l’état de l’art. Dans notre seconde contribution, nous explorons l’utilisation d’autoencodeurs variationnels (VAE) pour résoudre le problème de démélange en prenant en compte l’hypothèse de la variabilité spectrale des signatures des matériaux présents sur une scène. Les VAE, grâce à leurs représentations latentes, tirent parti d’une propriété essentielle de la variabilité spectrale : la variabilité des matériaux est confinée à une variété de faible dimension dans l’espace spectral de haute dimension. Cette caractéristique suggère que les signatures spectrales de la plupart des matériaux sont influencées par un ensemble limité de paramètres physico-chimiques. En capturant cette structure à faible dimension, les VAE offrent un cadre puissant pour la modélisation et le traitement de la variabilité spectrale. Nous proposons alors trois variations de modèles de démélange hyperspectral basés sur des VAE prenant en compte la variabilité, et démontrons la supériorité des méthodes proposées en comparaison à d’autres méthodes de l’état de l’art.