Apprendre sur des jeux de données massifs de séries temporelles partiellement étiquetées : approche collaborative et approche auto-supervisée par contraste : application à la télédétection
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Saget, Antoine
Date de soutenance : 25-09-2025

Directeur(s) de thèse : Gançarski, Pierre - Cornuéjols, Antoine

Président : Kurtz, Camille
Rapporteur(s) : Kurtz, Camille - Corpetti, Thomas
Membre(s) du jury : Lampert, Thomas - Lafabregue, Baptiste - Pelletier, Charlotte - Valero, Sylvia

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : 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
Mots-clés :
  • Exploration de données
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD043
Type de ressource : Thèse