YOUME Ousmane

Projet affilié : Deep4EnvMonitoring

Titre : Hyper-réseau évolutif pour réseaux de neurones convolutifs (CNN) : application à la surveillance de l’environnement

CEA affiliés :

CEA SMIA, Université d’Abomey-Calavi

CEA MITIC Université Gaston Berger

Supervision : Jean Marie Dembélé, ACE MITIC, Université Gaston Berger, Sénégal, jmdembele@gmail.com

Co-supervision : Prof. Eugène C. EZIN, ACE SMIA, Institut de Mathématiques et de Sciences Physiques, Université d’Abomey-Calavi, Bénin, eugene.ezin@gmail.com

Autres contributeur à l’encadrement de la thèse : Prof. Christophe CAMBIER, Sorbonne-Université – IRD

Date de début : 01/01/2021
Date prévisionnelle de soutenance de thèse : Juin-Juillet 2024
Profil ORCID : 0009- 0001-8427-8629

• LinkedIn

Intitulé du projet : Hyper-réseau évolutif pour réseaux de neurones convolutifs (CNN) : application à la surveillance de l’environnement

Résumé du projet scientifique :

La surveillance de l’environnement est cruciale dans le monde d’aujourd’hui, confronté à des défis écologiques croissants en raison de l’expansion urbaine rapide, de la gestion des déchets, de la pollution et de la préservation des habitats naturels. Les technologies avancées, en particulier les techniques d’apprentissage profond telles que les réseaux neuronaux convolutifs (CNN), peuvent aider à automatiser la surveillance de l’environnement, permettant ainsi une meilleure prise de décision et la conservation des écosystèmes. Malgré leur potentiel, l’application directe des réseaux neuronaux convolutifs (CNN) à la surveillance de l’environnement se heurte à des difficultés considérables en raison de la complexité des environnements naturels, de la diversité des types de données et de la nécessité d’une analyse précise et en temps réel. Les principaux obstacles sont l’obtention d’ensembles de données diversifiés et de haute qualité, la garantie de la généralisation du modèle dans différents écosystèmes, la gestion des exigences informatiques substantielles et la prise en compte de la vie privée, des questions éthiques et de la variabilité des conditions environnementales.
Cette thèse aborde ces défis en intégrant les techniques CNN avec des méthodes évolutionnaires pour développer des modèles performants adaptés à la surveillance de l’environnement.

Synthèse des résultats obtenus :
Dans cette thèse, nous avons exploré plusieurs architectures CNN pour la surveillance de l’environnement par télédétection. Nous avons d’abord développé un modèle avec un Single Shot Detector pour identifier les décharges illégales à Saint Louis, en surmontant les difficultés rencontrées avec une structure CNN de base [1]. Notre étude s’est ensuite concentrée sur la recherche automatisée d’architectures CNN, en choisissant les algorithmes génétiques en raison de leurs capacités complètes de génération d’architectures et d’hyperparamètres. Cela a conduit à la création des algorithmes « Search Length Strategy » et « Search Architecture Networks », qui ont permis de réduire considérablement les besoins de calcul de 37 à 4 jours GPU par rapport à des concurrents ayant les mêmes performances [2].
Nous avons également étudié l’efficacité de différents modèles de segmentation pour les déchets plastiques côtiers. Nous avons constaté que Panoptic DeepLab était plus performant que Mask R-CNN pour la reconnaissance du contexte et la réduction des faux négatifs, bien que Mask R-CNN soit plus performant pour minimiser les faux positifs [3].

Notre collecte de données a porté sur divers contextes environnementaux tels que les déchets côtiers, les paysages de déchets à grande échelle et les déchets le long des berges, en utilisant des méthodes avancées pour une meilleure précision. Nous avons également appliqué le formalisme de notre algorithme de recherche d’architecture évolutionnaire combiné à MAskrcnn à la détection de bâtiments via l’imagerie satellite, ce qui facilite le suivi du développement urbain dans les régions manquant de données de source ouverte, et peut faciliter la génération de trajectoires pour les drones autonomes.