Team seminar
We will have three talks this thursday.
1) Béranger Ovono Ekore, 2nd-year PhD student in the team, will give a talk on deep learning applied to geophysical data, for estimating ground electrical resistivity (30’+30′). The title and abstract are at the end of this post (in french):
2) Tom Bordeau (L3 intern) will present his work on audio and S2T related to the TV Station project (10’+15’).
3) Titouan Hinschberger (L3 intern) will present his work on the improvement of the 3DbrainMiner software/platform (10’+15’).
Titre :
Apprentissage profond appliqué à la géophysique pour l’estimation de la résistivité électrique.
Résumé :
Les mesures géophysiques peuvent être exploitées pour quantifier une ressource dans le sol, évaluer l’ampleur d’un événement, déterminer la forme et la localisation des matériaux prospectés ou encore pour guider une décision. Généralement, les problèmes inverses et en particulier celui associé à la tomographie de résistivité électrique (ERT), sont connus pour être mathématiquement mal posés (non-unicité de la solution, instabilité de la solution par rapport aux données en entrée). En ERT, ce problème consiste à reconstruire la distribution spatiale des résistivités électriques réelles à partir de mesures de résistivités apparentes. Ces dernières sont déduites de différences de potentiels mesurées en réponse à une injection de courant électrique basse-fréquence selon une configuration d’électrodes donnée. Les méthodes conventionnelles d’estimation ponctuelle basées sur la physique et l’apprentissage direct qui optimisent un maximum de vraisemblance n’ont pas de disposition pour tenir compte des incertitudes liées à ce problème en plus de leurs limitations respectives. Dans ce contexte, deux axes de développement pertinents gagnent en popularité dans la littérature : (1) la combinaison des approches basées sur la physique et des méthodes d’apprentissage afin de tirer avantage de chacune pour des résultats plus précis. (2) Les méthodes d’estimation stochastique plus aboutis mathématiquement et plus pertinents pour l’inversion car elles tiennent compte de (des) l’incertitude(s). Suivant la direction (1), nous proposons d’abord un processus post-processeur pour d’améliorer la résolution et la précision des résultats pré-inversées par la méthode conventionnelle physique (résolution par EF d’une EDP) avec un réseau de neurones pleinement convolutif basé sur l’architecture Unet. Cela nous a permis d’obtenir des résultats plus précis que l’état de l’art tout en limitant la dépendance de notre réseau à la base d’entrainement. Par ailleurs, pour entrainer de manière efficace nos réseaux, nous avons développé une base de données qui surpasse en tous points (réalisme et nombre) celles rencontrée dans l’état de l’art actuel. La validation terrain de notre réseau est en cours. Nous poursuivons actuellement nos travaux en introduisant une régularisation physique explicite au sein du réseau de neurones, dans le but d’intégrer les contraintes issues des lois de la physique au processus d’apprentissage. Pour ce faire, la physique directe est approximée par un second réseau dédié, préalablement entraîné. Cette modélisation permet de conserver la différentiabilité de bout en bout et d’optimiser efficacement l’apprentissage du réseau principal.