Observation de l’environnement et du climat, détection d’incendies, de fuites de gaz, sécurité civile… Les applications potentielles de détecteurs infrarouges sont nombreuses. Malheureusement, tirer des informations claires et exploitables d’images infrarouges brutes n’est pas évident, car celles-ci contiennent un niveau de bruit parasite élevé. Pour faciliter l’exploitation des données issues de ces capteurs, LYNRED, leader mondial des capteurs infrarouges, mise sur les apports potentiels de l’intelligence artificielle (IA).
C’est dans cette optique que la société a approché la Fondation Grenoble INP, pour creuser par le biais d’une chaire les apports potentiels de l’IA à leurs problématiques. Et c’est Jocelyn Chanussot, chercheur au GIPSA-lab, qui a été désigné comme titulaire de la nouvelle chaire baptisée Deep Red. Le chercheur est spécialisé dans l’imagerie hyperspectrale, qui contrairement aux techniques classiques d'imagerie optique, produit toute une série d'images de la même scène, mais prises dans plusieurs centaines de longueurs d'onde différentes. Pour en tirer des informations exploitables, il développe des outils d’intelligence artificielle fondés sur des techniques d’apprentissage profond, qui sont transposables au domaine de fréquence des rayonnements infrarouges ciblés par LYNRED.
L’un des axes de travail de la chaire sera d’améliorer la qualité visuelle des images en éliminant le bruit parasite grâce à la mise en place de traitements adaptés. Un autre sera d’exploiter des observations complémentaires aux images infrarouges, comme des images optiques par exemple, qui ne fournissent pas les mêmes informations. L’idée est de combiner les deux types de prises de vue pour faire une image globale donnant une meilleure compréhension de la scène.
Et l’IA dans tout ça?
La botte secrète des chercheurs pour extraire les informations pertinentes de cette masse de données est l’intelligence artificielle, et plus précisément l’apprentissage profond. «
Les méthodes d’apprentissage profond permettent de capitaliser sur l’expérience acquise, explique Jocelyn Chanussot.
Elles sont en particulier utiles lorsque l’on dispose de beaucoup de données. Dans ce cas, les algorithmes apprennent à traiter une image à partir d’exemples. A l’opposé se trouvent les méthodes basées sur les modèles, notamment des modèles de capteurs qui permettent de comprendre l’origine du bruit à effacer.»
L’un des enjeux de la chaire sera de parvenir à hybrider les méthodes basées sur les données et les méthodes basées sur les modèles pour arriver à des traitements plus efficaces, plus robustes, plus rapides et moins gourmands en énergie. Pour cela, les chercheurs bénéficieront des connaissances et des données fournies par LYNRED, et pourront s’appuyer sur l’environnement d’une autre chaire dont Jocelyn Chanussot est déjà titulaire au sein de l’institut MIAI (Multidisciplinary Institue in Artificial Intelligence).
Jocelyn Chanussot, expert confirmé en sciences des données
Diplômé Grenoble INP - Ense3, UGA (ex-ENSIEG) en 1995, Jocelyn Chanussot a ensuite réalisé une thèse dans le domaine du traitement du signal et des images, spécialité mixant mathématiques appliquées, modélisation physique et informatique. Aujourd’hui, Professeur des Universités au sein de Grenoble INP-UGA, il enseigne le traitement du signal et des images et l’imagerie hyperspectrale au sein des écoles Ense3(Ecole Nationale Supérieure sur l’Energie, l’Eau et l’Environnement) et Phelma (Physique, Electronique, Matériaux),notamment au sein de la filière SICOM (Signal, Image, Communication, Multimédia),filière commune aux deux écoles et gérée par Phelma. Il exerce ses activités de recherche au sein de GIPSA-Lab (UMR CNRS) et plus précisément au sein de l’équipe SIGMA-Phy (Signal, Image et Physique) du Pôle Sciences des Données. Il est membre honoraire de l’Institut Universitaire de France (IUF, 2012-2017) et est actuellement en délégation auprès d’INRIA (2019-2022).
Il a reçu de nombreuses distinctions (best paper awards) et ses doctorants ont également été distingués (6 prix de meilleur papier ou prix de thèse). En 2012, il a été élevé Fellow de la société savante IEEE (un maximum de 0,1% des membres IEEE peuvent ainsi être distingués chaque année). En 2021, il a également été nommé Fellow de l’association ELLIS (European Lab for Learning and Intelligent Systems) et de l’association AAIA (Asia-Pacific Artificial Intelligence Association). Depuis 2018, il est annuellement distingué en tant que Highly Cited Researcher par Clarivate Analytics/ Web of Science. Cette liste est réputée correspondre aux 0.1% des chercheurs les plus influents de leur domaine.
En savoir plus sur Jocelyn Chanussot
*CNRS, Grenoble INP–UGA, UGA
