Détection et identification d’objets sur des images aériennes

  • Superviseur :

    Wassim Bouachir

  • Domaine(s) :
    • Apprentissage machine
    • Réseautique et sécurité informatique

But:

Utiliser des techniques d’apprentissage profond pour la détection d’objets sur des images aériennes

Intérêt :

L’étudiant pourra approfondir ses connaissances en vision par ordinateur et en apprentissage profond

Description :

Les drones sont à l’origine de changements importants dans les processus de recensement de ressources naturelles. Ces appareils permettent la capture d’images de haute précision, à un faible coût par comparaison au moyens traditionnels, tels que les satellites et les aéronefs.

Dans ce projet, nous allons explorer des techniques d’apprentissage profond pour automatiser le traitement des images aériennes capturées par des drones. Plus particulièrement, nous nous intéressons aux algorithmes de détection et de décompte automatique d’objets (ex. arbres) sur des images aériennes.

L’étudiante ou l’étudiant appliquera différentes techniques d’apprentissage profond pour l’identification d’objets d’intérêt sur des images capturées par un drone. Ces techniques incluent entre autres les réseaux neuronaux convolutifs (CNNs) conçus pour la détection d’objets (ex. [1]) et la segmentation par instance (ex. [2])

L’étudiante ou l’étudiant sera demandé de documenter ses travaux par un rapport technique et sera invité à faire une présentation. Le projet pourra mener à la publication d’un article scientifique.

Les compétences requises pour réaliser ce projet :

Compétences générales

Traitement d’images, vision par ordinateur, apprentissage machine. La connaissance de l’anglais est essentielle.

Compétences spécifiques

Les travaux de programmation seront réalisés en utilisant Python et des librairies d’apprentissage machine et de traitement d’images (ex. PyTorch, OpenCV)

Compétences professionnelles

Communication écrite en français.

Références bibliographiques  :

[1] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, « You only look once: Unified, real-time object detection, » in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779-788.

[1] K. He, G. Gkioxari, P. Dollár, and R. Girshick, « Mask r-cnn, » in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2961-2969.