A huge trend in recent earth observation missions is to target high temporal and spatial resolutions (e.g. SENTINEL-2 mission by ESA). Data resulting from these missions can then be used for fine-grained studies in many applications. In this project we will focus on three key environmental issues : agricultural practices and their impact, forest preservation and air quality monitoring. Based on identified key requirements for these application settings, MATS project will feature a complete rethinking of the literature in machine learning for time series, with a focus on large-scale methods that could operate even when little supervised information is available. In more details, MATS will introduce new paradigms in large-scale time series classification, spatio-temporal modeling and weakly supervised approaches for time series. Proposed methods will cover a wide range of machine learning problems including domain adaptation, clustering, metric learning and (semi-)supervised classification, for which dedicated methodology is lacking when time series data is at stake. Methods developed in the project will be made available to the scientific community as well as to practitioners through an open-source toolbox in order to help dissemination to a wide range of application areas. Moreover, the application settings considered in the project will be used to showcase benefits offered by methodologies developed in MATS in terms of time series analysis.
Accueil > Membres > CORPETTI Thomas
CORPETTI Thomas
- Fonction : Directeur de recherche
- Poste : permanent
- Employeur : CNRS
- Publications sur HAL
- Site perso
Directeur adjoint du site de Rennes
Équipe de recherche
Recherche
Programmes internationaux
ANR
-
PALMEXPAND | 2021-2024
-
HIATUS - Historical Image Analysis for Territory evolUtion Stories | 2019-2023
-
MATS - MAchine learning for environmental Time Series | 2019-2023
-
MULTISCALE - Analyse d’image et apprentissage pour des données de télédétection multi-variées, -temporelles, -résolution et -source | 2019-2022
-
ASTERIX - Analyse Spatio-temporelle pour la Télédétection de l’Environnement par Reconnaissance dans les Images compleXes | 2014-2017
Programmes nationaux sur appels d’offres
-
SEMTI-SENT | 2023-2025
-
CiClAMEn - Cities, Climate And vegetation : Modeling and Environmental public policies | 2019-2023
-
EXPALMIND - Expansion des plantations de palmier à huile, usage des terres et sécurité alimentaire en Indonésie | 2019-2021
-
CarHab (Cartographie nationale des Habitats) : Appui méthodologique à la cartographie des végétations naturelles et semi-naturelles des milieux ouverts de basse altitude | 2012-2020
Contribution à la cartographie des habitats naturels et semi-naturels à l’échelle du territoire national sur la période 2000-2015 à partir d’images de télédétection à résolution spatiale modérée (250m) et fréquence d’acquisition élevée (approximativement quotidienne). Les résultats attendus sont une cartographie annuelle des prairies et l’identification des prairies de longue durée.
-
Deep-EO - Deep Learning for processing of earth observation data : application to local climate monitoring | 2017-2020
-
LandCoverMap - Mutualisation de différentes expériences pour la cartographie de l’occupation du sol en Guyane et Amapa à partir de données satellites | 2019-2019
-
ARTIFICIALISATION - Suivi de l’artificialisation des sols par télédétection, soutien au CES (Centre d’Expertise Scientifique du pôle THEIA) | 2015-2017
-
VEGIDAR - Analyse de la Végétation en Ville par couplage LIDAR et PLEIADES | 2014-2017
Le projet vise à exploiter simultanément des données à très haute résolution spatiale optiques et LiDAR afin de proposer de nouvelles méthodologies de détection et de cartographie de la végétation en milieu urbain.
-
URBA-POL - Assimilation of multimodal observations for urban pollution forecasting and understanding | 2013-2016
-
TIPE - Turbulence, Image, Physique, Environnement | 2011-2016
TIPE s’intéresse à l’analyse d’images satellites pour des applications environnementales. Une attention particulière est apportée à la météorologie et l’agriculture, l’idée à terme étant d’étudier les liens entre le climat local et l’occupation des sols. Pour cela, les images à très haute résolution spatiale (satellites défilants) sont utilisées pour observer les sols, tandis que les images à moindre résolution (satellites météorologiques) permettent d’observer les flux atmosphériques.
-
CARIOCA - Climate and Land Cover Analysis with complex data | 2014-2015
Autres collectivités
Dernières publications sur HAL
-
Siamese KPConv: 3D multiple change detection from raw point clouds using deep learning
-
3DMASC: Accessible, explainable 3D point clouds classification. Application to Bi-Spectral Topo-Bathymetric lidar data
-
AcousticIA, a deep neural network for multi-species fish detection using multiple models of acoustic cameras
-
Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution
-
Post processing sparse and instantaneous 2D velocity fields using physics-informed neural networks
-
Using bispectral full waveform LiDAR to map seamless coastal habitats in 3D
-
Cliff Change detection using Siamese KPConv deep network on 3D point clouds
-
Sentinel-HR Phase 0 Report
-
USING BISPECTRAL FULL-WAVEFORM LIDAR TO MAP SEAMLESS COASTAL HABITATS IN 3D
-
A deep neural network for multi-species fish detection using multiple acoustic cameras
