La détection de changement est au coeur de l’interprétation des séries temporelles d’images aériennes ou satellitaires. En effet, le changement climatique, mais aussi les évolutions du territoire, sont générateurs de changements majeurs qu’il est impossible de cartographier manuellement. En outre, les phénomènes extrêmes (incendies, inondations, fonte des glaces, déforestation, etc.) sont autant de changements rapides qu’il est nécessaire de détecter dans des délais courts. Dans la littérature, les approches de détection de changement classiques sont des modèles entraînés de façon supervisée. Or, les jeux de données de changements annotés sont rares et souffrent souvent de biais dans la définition de ce qui constitue un changement. Ce sujet de stage propose de s’inspirer plutôt de les techniques de détection d’anomalies, afin d’entraîner des modèles génératifs profonds non-supervisés et de les utiliser pour détecter des changements. En effet, les modèles de diffusion et les modèles de flow matching ont gagné en popularité ces dernières années, y compris pour l’imagerie aérienne et satellitaire. Une propriété intéressante des modèles génératifs est la possibilité de les transformer en estimateur de la vraisemblance des données. Des premiers résultats ont montré qu’il était ainsi possible de détecter des images n’appartenant pas à la distribution d’entraînement de ces modèles, par exemple des images de zones inondées.
Le ou la stagiaire recrutée aura ainsi les objectifs suivants :

• Réaliser un état de l’art sur l’estimation de vraisemblance par modèle génératif profond,
• Implémentation et adaptation d’estimateurs de vraisemblance pour l’imagerie aérienne et satellitaire,
• Proposition d’une extension à la détection de changement sur des paires d’images,
• Évaluation et comparaison à des modèles supervisés et des modèles discriminatifs auto-supervisés, comme Sat-DINO. 
  Le ou la stagiaire produira :
• un code permettant d’évaluer des réseaux de neurones profonds pour la détection de changements sur au moins un jeu de données de référence de la littérature (par exemple, SECOND ou HiUCD).
• un état de l’art bibliographique sur l’estimation de vraisemblance à l’aide de modèles génératifs profonds,
• si le temps le permet, une publication scientifique sur la détection de changements à l’aide des modèles génératifs profonds. 

Étudiant·e en Master 2 ou dernière année d’école d’ingénieur.
Bon niveau en développement informatique, connaissances de base en apprentissage profond

Le stage est localisé en île-de-France à Champs-sur-Marne dans les locaux de Géodata Paris sur le Campus Descartes à proximité du RER A (Noisy Champ).