Doctorat - Apprentissage Multi-Modal d'Images Sar Super-Résolues pour la Cartographie Archéologique H/F Institut national de l'information géographique et forestière (IGN)
- Champs-sur-Marne - 77
- Fonctionnaire
- Bac +5
- Service public autres
À noter sur ce job
Vous avez ces compétences ? Cliquez dessus pour les ajouter rapidement à votre profil !
Les missions du poste
L'objectif général de cette thèse est de produire, à partir de données SAR, des images et des modèles de terrain à haute résolution permettant de détecter et d'analyser à grande échelle les vestiges archéologiques khmers.
Plus précisément, la thèse poursuivra les objectifs suivants :
1. Développer des méthodes de super-résolution SAR multi-images fondées sur des séries temporelles afin d'améliorer la résolution spatiale (He et al., 2021), tout en traitant explicitement le bruit propre au SAR (par exemple le speckle) et les distorsions géométriques.
2. Générer une imagerie SAR à haute résolution optimisée pour les applications archéologiques, adaptée à la fois à l'interprétation visuelle et à une utilisation comme donnée d'entrée pour des modèles automatisés de cartographie archéologique (par exemple, dans une tâche en aval destinée aux archéologues).
3. À partir des travaux de (Sirko et al., 2023) portant sur la super-résolution d'images optiques, concevoir des approches de super-résolution multi-modale utilisant des données LiDAR à haute résolution comme supervision pour améliorer l'imagerie SAR à résolution moyenne et reconstruire des MNT à haute résolution étendus au-delà de la couverture LiDAR actuelle.
4. Produire des MNT à haute résolution dérivés du SAR, capturant les principales caractéristiques topographiques utiles à la détection de sites, à l'analyse hydrologique et à la reconstruction des paysages de l'Empire khmer.
5. Évaluer la scalabilité et le rapport coût-efficacité des produits de super-résolution fondés sur l'imagerie SAR en tant qu'alternative ou complément aux campagnes d'acquisition LiDAR à grande échelle.
Références bibliographiques
(He et al., 2021) : Y. He, D. Wang, N. Lai, W. Zhang, C. Meng, M. Burke, D. Lobell, and S. Ermon, Spatial-temporal super-resolution of satellite imagery via conditional pixel synthesis, in NeurIPS, 2021.
(Sirko et al., 2023) : W. Sirko, E. A. Brempong, J. T. Marcos, A. Annkah, A. Korme, M. A. Hassen, K. Sapkota, T. Shekel, A. Diack, S. Nevo, et al., High-resolution building and road detection from sentinel-2,arXiv:2310.11622, 2023.
Le profil recherché
Diplôme de niveau Bac +5 (master ou école d'ingénieurs).
De solides compétences en mathématiques statistiques, en apprentissage profond, en vision par ordinateur et en télédétection sont attendues. Une maîtrise d'une ou plusieurs bibliothèques d'apprentissage automatique en Python (PyTorch, TensorFlow, Keras) est requise. Un bon niveau en calcul scientifique avec Python (scipy, scikit-learn, numpy) est également nécessaire.
Bienvenue chez Institut national de l'information géographique et forestière (IGN)
Le laboratoire LASTIG (Laboratoire en Sciences et Technologies de l'Information Géographique pour la ville intelligente et les territoires durables) est une unité mixte de recherche rattachée à l'Université Gustave Eiffel, à l'IGN (Institut national de l'information géographique et forestière) et à l'EIVP (École des Ingénieurs de la Ville de Paris). Il constitue une structure de recherche unique en France et même en Europe, réunissant environ 80 chercheurs couvrant l'ensemble du cycle de vie des données géographiques ou spatiales, depuis leur acquisition jusqu'à leur visualisation, en passant par leur modélisation, intégration et analyse. Parmi eux, environ 30 chercheurs travaillent en analyse d'images, vision par ordinateur, apprentissage automatique et télédétection.
Publiée le 04/09/2026 - Réf : 2026-2399027
