En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Thèse : Contrôle et traitement des acquisitions d'un imageur hyperspectral adaptatif (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : lundi 13 février 2023

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UPR8001-SIMLAC-012
Nombre de Postes : 1
Lieu de travail : TOULOUSE
Date de publication : lundi 23 janvier 2023
Nom du responsable scientifique : Simon Lacroix
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 15 mars 2023
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Le LAAS a conçu un système d'imagerie hyperspectrale qui permet de sélectionner les informations d'une scène (acquisitions compressées) grâce à une matrice de micro-miroirs contrôlable. Cette capacité de contrôle permet de concevoir des schémas d'acquisition adaptés à la scène observée et aux objectifs d'observation.

L'objet de la thèse est d'intégrer des techniques de classification des données compressées à des techniques de décision pour définir les séquences d'acquisitions optimales. Deux grandes questions de recherche se posent :
- Comment estimer directement la classe de pixels perçus sur la base d'une seule acquisition d'image codée, comment incorporer (fusionner) itérativement les nouvelles données acquises ?
- Comment, étant donné un résultat partiel de classification à un instant t, définir le codage d'ouverture pour la ou les prochaines acquisitions de manière à l'améliorer ?

La première question relève de techniques de perception (résolution d'un problème inverse), tandis que la seconde relève de techniques de décision (contrôle et/ou planification d'actions pour optimiser un objectif sous contraintes). Les réponses aux deux questions sont intimement liées : d'une part, il est indispensable de bien estimer la qualité de la classification au fur et mesure de l'acquisition des données (définition de métriques), afin de guider le choix des prochaines acquisitions dont l'objectif est d'améliorer cette qualité. D'autre part, la définition des futures acquisitions doit exploiter le modèle optique de la formation des données, mais aussi un modèle de la fonction de classification, afin de pouvoir prédire l'augmentation de la qualité apportée par les acquisitions supplémentaires, et donc de sélectionner celle qui est optimale.

Différentes approches seront étudiées pour résoudre ces deux questions. Ainsi quelques rares travaux de l'état de l'art proposent des approches de classification et décision bayésiennes. Par ailleurs, des techniques d'apprentissage profond pour le problème de la classification commencent à apparaitre, et on pourrait imaginer une approche d'apprentissage par renforcement profond pour le contrôle des acquisitions.

Contexte de travail

La thèse se fera en collaboration avec Hervé Carfantan, de l'équipe Signaux et Images pour les Sciences de l'Univers de l'IRAP à Toulouse, avec lequel le LAAS collabore étroitement depuis quelques années sur le traitement des données acquises par le prototype d'imageur considéré.

On en parle sur Twitter !