Thèse : Apprendre sur des jeux de données massifs de séries temporelles partiellement étiquetées : approche collaborative et approche auto-supervisée par contraste. Application à la télédétection

Soutenance de thèse : Antoine Saget

Titre : Thèse : Apprendre sur des jeux de données massifs de séries temporelles partiellement étiquetées : approche collaborative et approche auto-supervisée par contraste. Application à la télédétection

Date et heure : Jeudi 25 septembre 2025, 9h30

Lieu: Salle A301, Pôle API, 300 boulevard Sébastien Brant, Illkirch-Graffenstaden

Accessible aussi en visioconférence - https://bbb.unistra.fr/b/sag-v8u-yuq-mgq

Jury

• Directeur de thèse : M. Pierre GANÇARSKI - Professeur, Université de Strasbourg (ICube)
• Co-directeur de thèse : M. Antoine CORNUÉJOLS - Professeur, AgroParisTech, Université Paris-Saclay (MIA Paris-Saclay)
• Encadrant : M. Baptiste LAFABRÈGUE - Maître de conférences, Université de Strasbourg (ICube)
• Rapporteurs :
  • M. Camille KURTZ (président du jury) - Professeur, Université Paris Cité (LIPADE)
  • M. Thomas CORPETTI - Directeur de recherche CNRS, Université de Rennes 2 (LETG)
• Examinateurs :
  • M. Thomas LAMPERT - Professeur, Université de Strasbourg (ICube)
  • Mme Charlotte PELLETIER - Maître de conférences, Université Bretagne Sud (IRISA)
  • Mme Silvia VALERO - Maître de conférences, Université de Toulouse (CESBIO)

Résumé

Cette thèse porte sur l'analyse de séries temporelles issues de l’observation de la Terre par satellite (Sentinel-2) dans un contexte où les données brutes sont abondantes, mais les annotations expertes sont rares. L’enjeu est de tirer parti conjointement de ces vastes ressources non étiquetées et des petits ensembles annotés disponibles.

Deux approches sont explorées : l’apprentissage collaboratif multiparadigme, combinant méthodes supervisées et non supervisées dans un processus itératif d’échanges, et l’apprentissage auto-supervisé par contraste. Nous présenterons en autre le jeu de données FranceCrops (6,3 millions de parcelles agricoles accompagnées de séries temporelles Sentinel-2), la méthode GaPP exploitant des regroupements naturels comme paires positives, ainsi qu’une stratégie d’augmentation par rééchantillonnage temporel.

Ces méthodes surpassent les approches supervisées classiques dans des contextes faiblement annotés et ouvrent des perspectives vers la construction de modèles de fondation pour la télédétection, capables d’exploiter à grande échelle les dynamiques environnementales observées par satellite.