Projet de recherche
L’équipe de recherche Light – Scatter – Learning (LSL) développe ses activités à l’interface entre photonique, optique, imagerie avancée et intelligence artificielle afin de caractériser des objets et des environnements complexes à partir de données physiques riches. Son approche repose sur une chaîne allant de l’acquisition et de la compréhension des signaux optiques à leur traitement et leur interprétation, en mobilisant notamment l’imagerie conventionnelle et non conventionnelle, les signatures spectrales et polarimétriques, la fusion de données et l’apprentissage automatique. L’objectif est d’améliorer la détection, la classification, la segmentation, le suivi et l’aide à la décision en associant connaissance physique des phénomènes observés et méthodes d’intelligence artificielle.
Axes de recherche
Apprentissage avancé et modèles IA pour la vision par ordinateur
En savoir plus
L’équipe développe et adapte des méthodes d’apprentissage pour l’analyse d’images et de données optiques, notamment pour la classification, la segmentation, la détection et le suivi. Les travaux portent en particulier sur la robustesse et la généralisation des modèles ainsi que sur leur capacité à exploiter des jeux de données complexes ou limités.
Modèles IA adaptés aux signatures spectrales et polarimétriques
En savoir plus
Les recherches portent sur le développement de méthodes d’intelligence artificielle adaptées à la richesse et à la spécificité des données hyperspectrales, multispectrales et polarimétriques. L’objectif est d’exploiter les informations complémentaires portées par ces signatures afin d’améliorer la caractérisation et la discrimination des objets ou milieux observés.
Expertise conjointe IA / modélisation optique pour la caractérisation des objets
En savoir plus
L’équipe associe modèles physiques de la lumière et méthodes d’intelligence artificielle afin d’améliorer conjointement l’acquisition, la compréhension et l’interprétation des données optiques. Cette approche permet d’intégrer les connaissances sur les phénomènes physiques dans l’analyse des données et, réciproquement, d’utiliser l’apprentissage pour mieux exploiter les informations délivrées par les capteurs.
