Ingénieur·e de Recherche Modèles Génératifs Profonds pour l'Imagerie Satellitaire - CDD H/F

Institut national de l'information géographique et forestière (IGN)

Le ou la candidate idéal.e dispose d'un doctorat en apprentissage profond ou en télédétection, ou d'une formation de niveau Bac +5 (master ou ingénieur) en informatique ou géomatique avec une expérience significantive en apprentissage profond.
Il ou elle démontre une bonne expérience de la programmation et des outils de machine learning, en particulier PyTorch et au moins un framework (Lightning, Diffusers, Ignite...).
Une première expérience avec l'entraînement de modèles sur un grand calculateur (par exemple, GENCI) et des outils afférents (Slurm, Hydra) est un plus.
Une maîtrise des outils de gestion projet informatique, notamment Git, sera appréciée.
Une appétence pour le travail en équipe ainsi qu'une bonne maîtrise de l'anglais (écrit et oral) est nécessaire.
Sans être indispensable, une première expérience avec l'imagerie de télédétection et des bibliothèques dédiées à la gestion de jeux de données géospatiaux (torchgeo\dots) est un atout pour ce poste.

Alors que les images d'observation de la Terre sont acquises à un rythme accru, les événements d'intérêt sont noyés dans la masse d'information. Le projet OGRE (Observation de la Terre et modèles Génératifs pour la Reconnaissance d'Événements rares), porté par le laboratoire LASTIG, vise à développer de nouvelles méthodes fondées sur les modèles génératifs profonds afin d'identifier des événements extrêmes dans des piles multimodales SAR/optique. L'objectif est de séparer automatiquement les images inhabituelles, déviant de la distribution habituellement observées, comme les images de catastrophes naturelles (inondations, incendies, tempêtes, séismes...), d'événements environnementaux et météorologique extrêmes (fonte des glaces, sécheresses prolongées) ou d'activités humaines anormales, voire illégales (déforestation, contrebande, construction interdite).

Pour ce faire, le projet croise l'état de l'art en détection non-supervisée de données « hors distribution » et celui des modèles génératifs profonds tels que les modèles de diffusion et les auto-encodeurs masqués. En effet, ces modèles permettent d'apprendre la distribution des observations normales, sans aucune supervision. Ces modèles sont ensuite utilisés comme estimateurs de la vraisemblance de nouvelles images, afin de déterminer si une observation est habituelle (représentative de la distribution historique) ou inhabituelle (événement rarement observé dans la distribution initiale).