banniere

Le portail francophone de la géomatique


Toujours pas inscrit ? Mot de passe oublié ?
Nom d'utilisateur    Mot de passe              Toujours pas inscrit ?   Mot de passe oublié ?

Annonce

Rencontres QGIS 2025

L'appel à participation est ouvert jusqu'au 19 janvier 2025!

#1 Wed 13 November 2024 09:11

Wenger Romain
Invité

[STAGE] Classification des typologies de clotures par IA - (67)

Contexte

La cartographie des clôtures [1] en milieu rural et urbain présente un enjeu majeur pour la gestion des territoires, la biodiversité, et l’aménagement des espaces. Actuellement, les bases de données géospatiales disponibles ne fournissent pas une information complète et à jour sur la présence et les typologies de clôtures, ce qui limite l’analyse et la prise de décision pour divers acteurs (urbanistes, écologues, gestionnaires de territoires). La majeure partie des données clôtures existantes sont issus de bases de données géospatiales participatives, telles que OpenStreetMap, et comportent de nombreuses erreurs de digitalisation. Le projet POLYMOR-FENCE, dans lequel s'inscrit ce stage, vise à développer des méthodes de deep learning basées sur des données multimodales (imagerie aérienne, LiDAR, imagerie terrain) pour améliorer la détection et la classification des clôtures à l’échelle nationale [2]. Une version améliorée du jeu de données MultiFranceFences [3] (V2) servira de base pour ces travaux, offrant des annotations de haute qualité et des échantillons représentatifs de différentes typologies de clôtures.

Objectifs du stage

Le stagiaire aura pour mission de :
1. Réaliser un état de l’art des méthodes existantes en détection et classification de clôtures à partir de données géospatiales (imagerie aérienne et/ou LiDAR et/ou imagerie terrain).
2. Préparer les données d’entrée et les modèles d’intelligence artificielle nécessaires, en s’appuyant sur la V2 du jeu de données MultiFranceFences.
3. Entraîner des modèles de deep learning en utilisant des approches multimodales et évaluer leurs performances par rapport à des jeux de données de référence.
4. Nettoyage de la V2 en utilisant un modèle pré-entraîné sur V1 (indice de superposition, seuillage, etc.)
5. Explorer et mettre en place une classification hiérarchique des typologies de clôtures en plusieurs classes, en testant différentes approches (bottom-up, stratifiée, conditionnelle, ou via des architectures comme Branch-CNN ou CapsNet)

Le stagiaire aura accès au centre de calcul de l’Université de Strasbourg (https://hpc.pages.unistra.fr/) avec un ensemble de cartes graphiques pour l'exécution des codes. Le stage pourra mener à une communication scientifique (article de recherche et/ou conférence nationale/internationale).

Profil de stagiaire recherché

- Etudiant en Master ou école d’ingénieur en Informatique, Mathématiques (appétence pour la géomatique)
- Compétences en data science et intelligence artificielle (machine et deep learning, Keras/Tensorflow et/ou Pytorch, Dask)
- Intérêt pour la géographie, l’écologie et les problématiques environnementales
- Curiosité, rigueur, autonomie et organisation
- Bonnes capacités relationnelles
- Bonnes capacités d’écriture et de présentation scientifiques
- Bon niveau d’anglais.

Informations complémentaires

Durée souhaitée : 6 mois, de février/mars à août/septembre 2025.
Lieu de travail : Laboratoire Image Ville Environnement (LIVE), 3 rue de l’Argonne, Strasbourg (67000)
Rémunération : gratification au montant légal en vigueur au moment du stage (env. 660€ brut/mois).

Candidature

Envoyer un CV et une lettre de motivation au plus tard le 15/03/2025 à :

romain.wenger@texte-a-enlever.live-cnrs.unistra.fr
cybill.staentzel@texte-a-enlever.live-cnrs.unistra.fr
eric.maire@texte-a-enlever.live-cnrs.unistra.fr

Références

[1] Buton, C., Kaldonski, N., Nowicki, F., Saint-Andrieux, C., 2024. What next? some practical suggestions for future studies on fence ecology. Wildlife Biology , e01152.
[2] Wenger, R., Maire, E., Buton, C., Moulherat, S, Staentzel, C., Where are the fences? A deep learning approach to detect fences using multimodal aerial imagery, Submitted.
[3] Wenger, R., Maire, E., Buton, C., Moulherat, S., & Staentzel, C. (2024). MultiFranceFences: A novel deep learning dataset for automated fence detection from multimodal aerial imagery (1.0) [Data set]. Zenodo.

 

Pied de page des forums

Powered by FluxBB