Méthodes d'apprentissage pour la fusion-complétion de données hyperspectrales multi-sources : Application à la détection automatique du Symsagittifera roscoffensis. // Learning-based completion and fusion of multi-source hyperspectral data : Application t

Cette thèse a pour objectif de développer une approche innovante de fusion-complétion pour la détection automatique de colonies de du ver maritime (appelé Symsagittifera roscoffensis.) vivant sur l'estran de la zone benthique, à partir de données hyperspectrales multi-échelles issues du laboratoire, de capteurs aéroportés et de satellites. L'originalité réside dans l'utilisation d'images à une échelle intermédiaire prises depuis un ULM dûment équipé de deux caméras hyperspectrales, pour effectuer des observations à résolution fine afin de réaliser la complétion par apprentissage génératif des images satellitaires observant un champ beaucoup plus large. L'objectif est donc d'exploiter conjointement des données hétérogènes, de couverture partielle, non alignées, non annotées, dans un environnement complexe où les mélanges spectraux non linéaires rendent les méthodes existantes de la littérature inadaptées. La méthodologie envisagée repose sur l'apprentissage d'un espace latent partagé entre échelles, obtenu via des modèles d'apprentissage génératif non supervisés. Une fois les caractéristiques spatiales et spectrales des zones où les données multimodales apprises se recouvrent, le modèle permettra d'extrapoler l'information de haute résolution à l'ensemble des scènes satellitaires. Il sera alors produit des cartes prédictives de la présence potentielle du ver sur le littoral. Les travaux de cette thèse offriront de plus un cadre méthodologique général pour la reconstruction, la détection et le suivi d'indicateurs de l'état des écosystèmes côtiers.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project aims to develop an innovative fusion-completion approach for the automatic detection of colonies of the marine worm (known as Symsagittifera roscoffensis) living in the benthic zone of the foreshore, using multiscale hyperspectral data from laboratory sources, airborne sensors, and satellites. The originality lies in the use of intermediate-scale images taken from a microlight aircraft equipped with two hyperspectral cameras to perform high-resolution observations, thereby enabling generative learning-based completion of satellite images covering a much wider area. The objective is therefore to jointly exploit heterogeneous, partially covered, misaligned, and unannotated data in a complex environment where nonlinear spectral mixtures render existing methods in the literature unsuitable. The proposed methodology relies on learning a latent space shared across scales, obtained via unsupervised generative learning models. Once the spatial and spectral characteristics of the areas where the learned multimodal data overlap are identified, the model will enable the extrapolation of high-resolution information to entire satellite scenes. Predictive maps of the potential presence of the worm along the coastline will then be generated. The work in this thesis will also provide a general methodological framework for the reconstruction, detection, and monitoring of indicators of coastal ecosystems health.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'une collectivité locale ou territoriale

Université du Littoral Côte d'Opale

585 Sciences, Technologie, Santé

Savoirs et compétences techniques : - Machine learning - Apprentissage profond - Apprentissage génératif (VAE, GAN, ...) - Traitement du signal et des images - Analyse d'images (multi- hyperspectrales) - Systèmes d'acquisition d'images (caméra, éclairage, ...) éventuellement hyperspectrales - Python et/ou Matlab Savoir-faire et savoir-être : - Communication écrite et orale en langues française et anglaise - Savoir mener une étude bibliographique - Savoir formuler un problème, l'analyser, élaborer et expérimenter des solutions innovantes - Savoir rédiger un document scientifique en français et en anglais - Savoir présenter et expliquer oralement ses travaux en français et en anglais devant plusieurs interlocuteurs - Savoir travailler en autonomie - Savoir organiser et planifier son travail
Technical knowledge and skills: - Machine learning - Deep learning - Generative learning (VAE, GAN, etc.) - Signal and image processing - Image analysis (multi- and hyperspectral) - Image acquisition systems (camera, lighting, etc.), potentially hyperspectral - Python and/or MATLAB Skills and professional conduct: - Written and oral communication in French and English - Ability to conduct a literature review - Ability to formulate a problem, analyze it, and develop and test innovative solutions - Ability to write a scientific paper in French and English - Ability to present and explain one's work orally in French and English to an audience - Ability to work independently - Ability to organize and plan one's work