Data sciences
Ce module introduit les techniques avancées de Data Science appliquées à la géomatique. Il couvre les architectures de deep learning modernes (transformers, visual transformers) ainsi que leur application au traitement d'images satellite/aériennes, d'images terrestres issues de webcams, et de nuages de points 3D.
Compétences visées
- Comprendre et implémenter des architectures Transformer et Visual Transformer (ViT)
- Appliquer des techniques de NLP pour l'analyse de données textuelles géoréférencées
- Traiter des nuages de points 3D avec des réseaux de neurones (PointCNN)
Contenu
Bloc 1 – Fondamentaux Deep Learning Rappels gradient descent / backpropagation, tenseurs PyTorch et autograd, boucle d'entraînement complète (optimiseurs SGD/Adam, learning rate scheduling), architectures CNN de LeNet à ResNet avec skip connections et transfer learning.
Bloc 2 – Vision géospatiale Architecture U-Net encoder-decoder pour segmentation sémantique, métriques IoU/Dice, augmentation géospatiale et gestion du déséquilibre de classes. Vision Transformers : comprendre les architectures type Swin Transformer / Swin-UNet. Application sur imagerie aérienne SwissImage.
Bloc 3 – Projet fusion RGB-LiDAR Représentations 3D, Architecture type PointNet, fusion multi-modale et projection nuage de points → image. Projet en groupes appliqués sur données Suisse.
Formes et méthodes d'enseignement
Cours théoriques et travaux pratiques sur ordinateur (Python, PyTorch/TensorFlow).
Projet appliqué sur données réelles.
Prérequis
Connaissances de base en Machine Learning et Deep Learning. Le cours Imaphoto2 (traitement d'images et apprentissage automatique) est recommandé en lecture préalable.
Evaluations
Le module DAS est évalué en session d’examen:
- oral individuel avec 30 min de préparation et 30 min de présentation (100% de la note finale)
Le cas échéant, l’examen de remédiation lors de la session extraordinaire est un examen oral soumis aux mêmes conditions que l’examen oral en session (100% de la note finale).