Note ABES Apprendre sur des jeux de données massifs de séries temporelles partiellement étiquetées : approche collaborative et approche auto-supervisée par contraste : application à la télédétection Learning on massive partially labeled time series datasets : collaborative and self-supervised contrastive approaches : application to remote sensing Apprentissage auto-supervisé Apprentissage par contraste Séries temporelles Télédétection Sentinel-2 Apprentissage avec peu d'étiquettes Modèles de fondation Classification de parcelles agricoles Découverte de classes Self-supervised learning Contrastive learning Time series Remote sensing Sentinel-2 Limited-label learning Foundation models Cropland classification Novel class discovery 006.3 Exploration de données Apprentissage profond Cette thèse explore l'exploitation conjointe de vastes volumes de séries temporelles d'images satellitaires (SITS) non étiquetées et du peu de données étiquetées disponibles. Nous proposons deux stratégies : (1) un apprentissage collaboratif multiparadigme combinant agents supervisés et non supervisés, dont les limitations nous ont orientés vers (2) l'apprentissage auto-supervisé par contraste. Nos contributions incluent FranceCrops, un jeu de données SITS de 6,3 millions de parcelles agricoles spécifiquement conçu pour l'apprentissage auto-supervisé; GaPP (Groups as Positive Pairs), méthode contournant le besoin d'augmentations, un composant normalement essentiel en apprentissage contrastif mais difficile à définir pour les SITS ; et une technique d'augmentation par rééchantillonnage temporel créant des vues distinctes mais cohérentes d'une même série. Ces approches surpassent les méthodes supervisées classiques lorsque peu de données étiquetées sont disponibles. This thesis explores the joint exploitation of vast volumes of unlabeled Satellite Image Time Series (SITS) and limited labeled data. We propose two strategies: (1) multiparadigm collaborative learning combining supervised and unsupervised agents, whose limitations led us to (2) self-supervised contrastive learning. Our contributions include FranceCrops, a SITS dataset of 6.3 million agricultural parcels specifically designed for self-supervised learning; GaPP (Groups as Positive Pairs), a method bypassing the need for augmentations, a normally essential component in contrastive learning but difficult to define for SITS; and a temporal resampling augmentation technique creating distinct yet coherent views of the same series. These approaches outperform classical supervised methods when labeled data is scarce. Electronic Thesis or Dissertation Text fr PDF 35720915 https://publication-theses.unistra.fr/public/theses_doctorat/2025/SAGET_Antoine_2025_ED269.pdf http://www.theses.fr/2025STRAD043/abes https://theses.hal.science/tel-05477141 https://theses.hal.science/tel-05477141 Saget Antoine 1999-11-19 FR 293290415 0809045222F 22118386 4200018 http://www.theses.fr/2025STRAD043 2025STRAD043 2025-09-25 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Gançarski Pierre MADS_DIRECTEUR_DE_THESE_1 033775958 Cornuéjols Antoine MADS_DIRECTEUR_DE_THESE_2 067132669 Kurtz Camille MADS_PRESIDENT_DU_JURY 164897615 Lampert Thomas MADS_MEMBRE_DU_JURY_1 273050559 Lafabregue Baptiste MADS_MEMBRE_DU_JURY_2 258224908 Pelletier Charlotte MADS_MEMBRE_DU_JURY_3 231642938 Valero Sylvia MADS_MEMBRE_DU_JURY_4 281749507 Kurtz Camille MADS_RAPPORTEUR_1 164897615 Corpetti Thomas MADS_RAPPORTEUR_2 067284396 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Gançarski Pierre Cornuéjols Antoine Kurtz Camille Lampert Thomas Lafabregue Baptiste Pelletier Charlotte Valero Sylvia Kurtz Camille Corpetti Thomas École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 35720915