La recherche

Axes de recherche

La chaire s’organise comme une chaîne de traitement : de nouveaux descripteurs géométriques pour représenter les séries temporelles multivariées (WP1), de nouveaux modèles d’apprentissage géométriques pour les classer et les fusionner (WP2), et de nouveaux modèles génératifs géométriques pour débruiter, interpoler et prédire (WP3). Tout est évalué sur des jeux de données réels et publics de télédétection, et diffusé sous forme de boîte à outils ouverte. La frugalité se mesure, elle ne se décrète pas — la consommation d’énergie est suivie avec des outils comme CodeCarbon.

WP 1 Descripteurs géométriques invariants pour l'InSAR et le PolInSAR N. Le Bihan · A. Mian · P.-O. Amblard · G. Ginolhac Les phases géométriques comme signatures invariantes de jauge et de basse dimension des déplacements du sol — glaciers, volcans, subsidence. En savoir plus → WP 2 Nouveaux modèles d'apprentissage géométriques F. Chatelain · G. Ginolhac · N. Le Bihan · A. Mian Étendre SPDNet aux architectures transformer pour la dimension temporelle, et à l'apprentissage fédéré pour les données multimodales. En savoir plus → WP 3 Flow matching sur les variétés G. Ginolhac · Y. Mhiri · N. Le Bihan · F. Chatelain Des modèles génératifs riemanniens pour débruiter l'imagerie SAR, interpoler ou prédire des images entre deux dates d'acquisition. En savoir plus →

Données Sentinel-1/2, TerraSAR-X, UAVSAR — séries InSAR sur Mexico et des volcans, via des collaborations existantes dont l'ONERA.

Boîte à outils Tous les algorithmes diffusés dans une boîte à outils open source pour la communauté.

Au-delà de la télédétection Données sismiques et sonar avec les partenaires industriels Géolithe et Exail ; EEG avec l'institut DataIA.