La multiplication des systèmes d’observation et leur amélioration continue fournissent aujourd’hui une information riche, volumineuse et dissociée sur notre environnement physique et en particulier marin. Cette richesse est due à la fois à une diversification de la typologie (plus grande variété de données hétérogènes), à une amélioration de la résolution spatio-temporelle (données de plus en plus fines, permettant une description détaillée), et à une plus grande qualité (données de plus en plus précises). Cependant, seule une exploitation judicieuse et conjointe des données issues de ces systèmes d’observation peut permettre une description fidèle de l’environnement.
L’équipe M3 (Marine Mapping & Metrology) entend se focaliser sur la compréhension de la physique de la mesure et de son exploitation pour la cartographie de l’environnement marin. L’objectif est de comprendre la mesure en elle-même pour mieux l’interpréter et ainsi fournir une description fiable de l’environnement. Cette compréhension balaie différentes composantes, de la conception du système d’observation par l’assemblage de briques capteur, la prise en compte de la réalité physique de ce système et de ses mesures, la qualification, l’analyse, l’interprétation et la représentation des données acquises.
Pour répondre aux objectifs de l’équipe M3, trois volets d’exploration sont privilégiés :
- Smart sensing : une analyse pertinente et enrichie de l’information contenue dans les données passe nécessairement par la compréhension de la mesure. Ceci inclut à la fois la connaissance des systèmes d’observation et de la physique de la mesure, la caractérisation des sources d’incertitudes liées à la mise en œuvre du système, la qualification des performances et limites du système, une représentation de l’information portée par la donnée adaptée à la nature des phénomènes observés. On s’intéressera ici aux mesures acoustiques et électromagnétiques.
- Disparate Data : on s’intéressera ici au traitement de données hétérogènes multi-modales et multi-temporelles. La maîtrise des systèmes d’observation est indispensable à la bonne combinaison de différents modes d’utilisation d’un même capteur, de capteurs différents mais complémentaires, de capteurs de même type mais de qualité variable, ou encore d’acquisitions à différents intervalles de temps.
- xIA (Explainable IA) : les résultats issus de processus intégrant de l’IA doivent être expliqués par la compréhension des phénomènes physiques sous-jacents mais aussi des processus de “raisonnement” qui ont conduit à ces résultats. La compréhension du raisonnement inclut la compréhension des données originales, des traitements intermédiaires et des résultats partiels issus de ces traitements. Les décisions des algorithmes sont expliquées aujourd’hui soit par l’étude du corpus d’apprentissage, soit à la structure de cet apprentissage. Une approche hybride sera ici privilégiée en s’intéressant à la comparaison des résultats des premières couches des réseaux neuronaux avec ceux issus d’extractions de caractéristiques usuelles en traitement d’images puis à l’agrégation de ces caractéristiques dans les couches hautes pour la décision de classification.
Exemples de travaux
Apprentissage automatique de données massives bathymétriques pour l'optimisation de systèmes de levés hydrographiques
Modélisation de la propagation des signaux GNSS dans l'atmosphère en environnement marin pour l'observation de l'atmosphère
- Caractérisation de la qualité des estimations de la hauteur colonne d'eau à partir de données multispectrales
Collaborations
- Entreprises : Hytech Imaging, Naval Group, Thalès, ECA-robotics, CIDCO, iXblue.
- Institutions : DGA, Shom, IGN, Ifremer.
- Académiques : Université Laval, Woods Hole Oceanographic Institution, Centre de Géomatique du Québec.