institut national de l’information géographique et forestière
TRANSCRIPT
PANORAMA DES ACTIVITÉS IA DE L’IGN
18/03/2021
Matthieu Porte
18/03/2021 Institut national de l’information géographique et forestière 2
Notre raison d’être
Institut national de l’information géographique et forestière 3
OBSERVER – MESURER – DÉCRIRE
Etablissement public à caractère administratif, placé sous la double tutelle du
ministre chargé du développement durable et du ministre chargé de la forêt,
l’IGN est chargé de la description de la surface du territoire national et de
l’occupation de son sol, de l’inventaire permanent des ressources
forestières, de la production de toutes les représentations appropriées des
données ainsi que de leur archivage et de leur diffusion
04/03/2021
1. Carte d’identité
1. Carte d’identité
04/03/2021 Institut national de l’information géographique et forestière 4
1 555 agents
en 2019
1 siège et
5 directions
territoriales
161 M€ de
budget en
2019
1 école intégrée :
ENSG Géomatique
membre de l’Université
Gustave Eiffel
3 Unités mixtes
de recherche
Des services de production Géodésie et métrologie
imagerie aérienne et satellite
info. statistique forestière et env.
vecteur et 3D, valorisation
Des services de
développement et
d’innovation
1 accélérateur
de projets IGNfab
3,2 millions de
photographies
téléchargeables
gratuitement
1,79 million par mois
visites du Géoportail
et 2,9 millions de cartes
diffusées
Nos objectifs
Institut national de l’information géographique et forestière 5
[ ] Assurer la disponibilité des
données géolocalisées du
territoire français
[ ] Favoriser l’appropriation
et l’utilisation de la
donnée géographique
[ ] Maintenir un niveau élevé de
compétence dans le domaine
de l’information géographique
1. Carte d’identité
04/03/2021
1. Activités de recherche
Institut national de l’information géographique et forestière 6
Pointe à Colombier, Saint-Barthélemy – IGN
18/03/2021
Couverture du sol
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 7
• Méthodes deep étudiées depuis 2014-2018 (thèse T.
Postadjian)
• Recherche active : nouveaux capteurs, données
historiques,…
• Architectures de réseaux de neurones avec les bons biais
inductifs
Vers une occupation du sol France entière
par imagerie satellite à très haute
résolution, T. Postadjian (2018)
Couverture du sol
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 8
Satellite Image Time Series Classification
with Pixel-Set Encoders and Temporal Self-
Attention, Sainte-Fare-Garnot et al.
Données 3D
Large-scale Point Cloud Semantic
Segmentation with Superpoint Graphs,
Landrieu and Simonowsky (CVPR 2018).
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 9
« Image-to-image » translation Généralisation cartographique
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 10
• Exploring the Potential of Deep Learning
Segmentation for Mountain Roads
Generalisation, Courtial et al. (2020)
« Image-to-image » translation Transfert de style
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 11
• Recherche en cours avec des techniques
IA
Autres domaines de recherche
1. Research activities
18/03/2021 Institut national de l’information géographique et forestière 12
• Representation learning :
• Multi-task learning
• Multi-sensor representation fusion
• Handling domain shifts
• Représentations pré-entraînées, unsupervised / weakly-supervised learning…
• Human-in-the-loop : active learning, estimation d’incertitudes…
2. Projets IA
Institut national de l’information géographique et forestière 13
Grand récif du nord-est, Mayotte – IGN
18/03/2021
18/03/2021 Institut national de l’information géographique et forestière 14
TRAITEMENT AUTOMATIQUE
SANS DEEP LEARNING DÉTECTION DEEP LEARNING OCSGE AVEC DEEP LEARNING OCSGE (COUVERTURE) FINALE
OCS GE nouvelle génération
OCS GE nouvelle génération
2. AI projects
18/03/2021 Institut national de l’information géographique et forestière 15
• Le Deep learning n’est qu’une des entrées du processus
• Impossible d’utiliser la base historique en donnée d’apprentissage
• Production d’une nouvelle donnée d’apprentissage en segmentation sémantique
• Post-traitements requis
• Questions opérationnelles : stratification des modèles, transfert de représentations…
BD Forêt
2. AI Projects
18/03/2021 Institut national de l’information géographique et forestière 16
• Enjeux techniques :
• Certains communs avec
l’OCS GE (segmentation
sémantique, stratégies
d’annotation,…)
• Données historiques bruitées
ou périmées
• Mélanges et hiérarchies de
classes
• Utilise des encodeurs pour
séries temporelles d’images
Programme Lidar France entière (10pts/m²)
2. AI Projects
18/03/2021 Institut national de l’information géographique et forestière 17
• 2021-2025 acquisition nationale
• Expérimentations IA pour
améliorer nos modules de
classification de nuages de
points.
Autres projets
2. AI Projects
04/03/2021 Institut national de l’information géographique et forestière 18
• AI4GEO consortium (Airbus, CLS, CNES, CS Group, Geosat, IGN, ONERA, Quantcube, Qwant) : outils et
applications IA pour l’information géographique sur imagerie aérienne/satellite. Librairies open-source dans un
futur proche.
• Détection d’anomalies sur des séries temporelles GNSS
• …
3. Retour d’expérience et perspectives
Institut national de l’information géographique et forestière 20
Bassin d'Arcachon – IGN
18/03/2021
Conduite de projets IA : retour d’expérience
3. Feedback and perspectives
18/03/2021 Institut national de l’information géographique et forestière 21
• Plusieurs conditions critiques et cumulatives :
• Cadrage IA et délimitation de la tâche à automatiser
• Disponibilité, ou capacité à produire, d’importants volumes de données annotées
• Mise en place d’une équipe IA opérationnelle, avec l’ensemble de l’expertise requise : apprentissage,
développement, expertise métier, ingénierie de la donnée… Former l’encadrement aux possibilités et limites
des techniques IA
• Retour métier fréquent pour évaluer la performance des modèles et ajuster les métriques
• Les bases de données historiques ne sont pas toujours adéquates, un effort de labellisation peut être
nécessaire
• Les modèles IA s’intègrent dans des chaînes de traitements plus larges.
Perspectives
3. Feedback and perspectives
18/03/2021 Institut national de l’information géographique et forestière 22
• Besoin d’architectures de modèles adaptées, avec les bons biais inductifs
• Gisement mobilisable d’information dans les larges volumes de données non-annotées, qui nécessitent des
bonnes méthodes semi-supervisées + adaptation de domaine.
• Nos challenges opérationnels sont techniquement et scientifiquement pertinents et devraient gagner en attention :
il faut plus de datasets ouverts et de benchmarks les ciblant.