Méthodes d’apprentissage pour le calcul de cartes de déformation en sciences de la Terre à partir d’images optiques
Début : 01 octobre 2021
Encadrants :
Yann Klinger, Rupnik Ewelina (IGN), Pierrot-Deseilligny Marc (IGN)
Équipes liées :
Tectonique et mécanique de la lithosphère
Statut : En cours
Les méthodes actuellement employées pour le calcul de cartes de déformation horizontale de la surface terrestre générée lors d’événements telluriques (séismes, volcans, glissements de terrain), à partir d’images optiques satellitaires ou aériennes, sont très efficaces lorsque le paysage a peu évolué entre les acquisitions successives d’images. Cependant, ces méthodes montrent des limites en présence d’un fort diachronisme et/ou de forts changements de point de vue ou de conditions d’illumination, ce qui est souvent le cas lorsque l’on cherche à combiner une acquisition post-événement avec des images d’archive.
Dans les domaines de la photogrammétrie et de la vision par ordinateur, les méthodes d’appariement basées sur l’apprentissage ont montré des performances supérieures aux méthodes classiques lorsque l’on est capable de les entraîner avec des données d’apprentissage suffisamment massives. L’objectif de la thèse est donc d’explorer si ces méthodes d’apprentissage peuvent être adaptées au problème de la mise en correspondance 2D d’images potentiellement fortement dissemblables, afin d’améliorer le calcul des cartes de déformation dans des conditions difficiles où les performances des méthodes classiques sont insuffisantes.