Utilisation des techniques d’intelligence artificielle pour améliorer les applications des nouveaux types d’images d’observation de la Terre

Le projet proposé vise à développer des architectures d’apprentissage profond pour analyser divers types d’images d’observation de la Terre utilisées par Effigis. Il est divisé en trois sous-projets, visant chacun un type d’images et d’applications associées. Le premier sous-projet concerne l’identification des bâtiments sur les images satellites à très haute résolution (30 – 50 cm) à l‘aide de réseaux de neurones convolutifs (CNNs) de détection d’objets. Le second sous-projet sera consacré aux images proximales à ultrahaute résolution (millimétrique), qui seront utilisées pour le dépistage des maladies en agriculture. Les CNNs de détection d’objets et de segmentation sémantique seront utilisés à cette fin. Le sous-projet 3 visera les images multitemporelles (Sentinel-2 et Planet) qui seront analysées à l’aide d’architectures qui combinent des CNNs et des RNNs (réseaux de neurones récurrents) pour capter l’information spatio-temporelles sur les séries d’images. Les algorithmes développés seront intégrés aux processus de production d’Effigis afin de l’aider à rehausser sa compétitivité.

Intern: 
Étienne Lauzier-Hudon;Gafarou Kpegouni;Mathieu St-Laurent;Guy Armel Fotso Kamga;Elvina Alphna Mekui Me Kemoe;Samuel de la Sablonnière
Superviseur universitaire: 
Yacine Bouroubi
Province: 
Quebec
Partner University: 
Programme: