Traiter, analyser et visualiser les données infrarouges de manière plus efficace grâce à l'intelligence artificielle
Deep Red est une chaire d’excellence portée par la Fondation Grenoble INP en partenariat avec la société LYNRED, leader mondial dans le développement et la production de technologies infrarouge de grande qualité. C’est dans l’objectif de vouloir exploiter au mieux tout le potentiel offert par les capteurs infrarouges en mettant notamment à profit les dernières avancées en science des données, intelligence artificielle et apprentissage profond, que cette chaire est née.
En effet, une image infrarouge brute contient un niveau élevé de bruit qui peut nuire à son exploitation optimale. Afin d’améliorer la lisibilité des scènes imagées, que ce soit par un opérateur humain ou par un algorithme de traitement visant, par exemple, à détecter des anomalies ou à détecter des objets, différentes stratégies peuvent être explorées.
Une piste consiste à proposer des méthodes de fusion d’images visible et infrarouge thermique, destinée notamment aux applications de réalité augmentée et automobile. On cherchera alors à tirer profit de la complémentarité de l’imagerie visible et infrarouge afin d’augmenter la qualité image du point de vue de la vision humaine ou machine. Cette complémentarité se traduirait sur l’image fusionnée par une amélioration de la résolution, une réduction du bruit, une amélioration de la colorimétrie, du contraste, et ce, selon diverses conditions climatiques et types de scènes.
Une autre piste vise à utiliser des modèles d’apprentissage profond (deep learning) pour la réduction de bruit, la fusion d’information ou la détection d’objets. Dans un souci de mettre en place des architectures suffisamment frugales, pouvant possiblement être embarquées (embedded AI), l’intégration de connaissances expertes sur l’imagerie infrarouge et les capteurs correspondants seront capitales. On parlera d’intelligence artificielle guidée par la physique. Cette approche, qui vise à apprendre des données ce que la modélisation ne sait pas estimer de manière analytique, viendra comme une alternative aux méthodes traditionnelles d’analyse et de traitement avec comme objectif de « tirer le meilleur des deux mondes ».
Jocelyn Chanussot
David Billon-Lanfrey
Nos missions
Les travaux nécessiteront :
- la création de bases de données d’images (acquisition, correction, augmentation et annotation)
- la mise en œuvre d’algorithmes de deep learning sur ces données pour différentes applications (débruitage et amélioration de la qualité visuelle telle que perçue par un observateur humain, la détection d’objets…)
- la comparaison des performances du modèle en fonction des différentes stratégies de correction d’image
- l’évaluation de l’apport d’informations contextuelles au modèle (température ambiante, météo, humidité, …)
- le déploiement du modèle au plus proche du temps réel…
Les partenaires et mécènes fondateurs de la chaire
Axes de recherche et de formation
La chaire a pour ambition de développer des nouvelles connaissances scientifiques par le biais des activités de recherche, connaissances qui seront alors partagées avec la communauté via les publications scientifiques associées.
Mais le partage de connaissances se fera également par le biais de la formation des élèves ingénieurs qui seront formés et sensibilisés aux potentiels et enjeux de l’imagerie infrarouge dans le cadre des cours, bureaux d’études ou travaux pratiques de leur formation.
Les élèves pourront également devenir acteurs des développements dans le cadre de projets d’ingénierie et de stages sur ces thématiques.