Équipe MULTIP (Multimodal Unsupervised Learning for Tensor Image Processing)

L’équipe MULTIP mène des recherches dans le domaine de l’apprentissage non supervisé pour le développement de systèmes d’analyse et de traitement facilitant l’aide à la décision à partir d’images et de données multimodales n-D.

Mots clés

Apprentissage non supervisé, apprentissage en ligne, approche aveugle en TSI-nD, apprentissage profond, aide à la décision, imagerie multi/hyper-spectrale, multimodale, imagerie aérienne, filtrage, restauration, compression, recalage, partitionnement, fusion

Présentation générale

La force de l’équipe résulte de son expertise sur le développement d’approches et de méthodes aveugles ou myopes pour l'analyse et le traitement adaptés et quasi-automatiques d'images multicomposantes et multimodales (multi/hyper-spectrales, radar).

Son spectre de compétences lui permet de maîtriser les concepts fondamentaux de l'intégration de données multimodales.

L’objectif est de développer des méthodes innovantes d'analyse et de traitement visant une exploitation opérationnelle pour une prise de décision maîtrisée à partir de données mutuellement enrichies, répondant aux enjeux de la transition numérique pour l'environnement et le développement durable.

Thème de recherche

Le thème de recherche porte sur l'apprentissage non supervisé pour le traitement, l'extraction et la fusion d'informations objectives issues directement des tenseurs de données acquis. Il se décline selon les deux axes suivants :

  • Axe 1 : Apprentissage hors ligne guidé par les données observées et approches aveugles.
  • Axe 2 : Apprentissage en ligne pour le traitement et l’analyse non supervisés d’images hyperspectrales acquises par drone/ulm/avion
Répartition spectrale de l'information

Répartition de l'information d'une image hyperspectrale en fonction
de la longueur d'onde

Partitionnement non supervisé d'image hyper-spectrale

Partitionnement non supervisé d'image hyper-spectrale (résolution 60 cm, 126 bandes) pour l'étude du dépôt algal.

Classes identifiées automatiquement :

  algues vertes
  algues brunes
  substrat

Classification de données multimodales

Classification de données multimodales
(Hyperspectral + LIDAR)

Détection d'espèces invasives


Détection d'espèces invasives
cas du fleuve Segura
  Réseau hydrographique
  Phragmites australis
  Arundo donax
  Autre végétation
Analyse multi-niveau d'une image hyperspectrale

Analyse multi-niveau d'une image hyperspectrale

Restauration aveugle d'une image dégradée

Moyens techniques associés

Les activités de l'équipe s'appuient sur le plateau technique Imagerie Hyperspectrale du laboratoire.