Du besoin métier à l'IA en production

Travail académique — IMT Mines Alès (S. Sun, B. Delais, C. Vial · février 2026).

Le domain shift survient lorsque la distribution des données d'entraînement (domaine source) diffère de celle des données cibles, dégradant les performances en détection d'objets sur imagerie aérienne. Ce projet propose un cadre systématique pour mesurer ce décalage et classer les datasets sources selon leur proximité avec une cible aérienne.

Méthode. Extraction d'embeddings via un encodeur pré-entraîné (ResNet-50 / ImageNet) en lecture streaming. Pour chaque paire de domaines, des classifieurs légers (régression logistique, MLP, discriminateur de domaine) apprennent à les séparer sous un nombre croissant d'exemples (shots). Le tout est condensé en un Domain Shift Index (DSI) agrégeant courbes d'apprentissage few-shot, vitesse de convergence, stabilité et distances distributionnelles (Wasserstein-1, MK-MMD).

Résultats clés (13 datasets, cibles DOTA & DIOR) :

• Les statistiques de fond dominent le shift : DIOR-BG_BLURRY obtient le DSI le plus faible (24,9).
• Les datasets aériens (DOTA, XVIEW, DIOR, CADOT) forment un cluster à faible shift.
• Les datasets sémantiquement éloignés (OKTOBERFEST, ARTAXOR, DEEPFRUITS) sont trivialement séparables — donc inadaptés comme source.
• COCO se révèle étonnamment compétitif malgré l'absence de vue aérienne.
• Classements stables entre cibles (r ≈ 0,96) et entre classifieurs.
• Transfert few-shot DOTA → DIOR (10-shot, Detectron2) : AP 41,97 / AP50 63,98.

Academic work — IMT Mines Alès (S. Sun, B. Delais, C. Vial · February 2026).

Domain shift occurs when the training-data distribution (source domain) diverges from the target one, degrading object-detection performance on aerial imagery. This project proposes a systematic framework to measure that shift and rank source datasets by their proximity to an aerial target.

Method. Embedding extraction with a pretrained encoder (ResNet-50 / ImageNet) in streaming mode. For each domain pair, lightweight classifiers (logistic regression, MLP, domain discriminator) learn to separate them under a growing number of examples (shots). Everything is condensed into a Domain Shift Index (DSI) aggregating few-shot learning curves, convergence speed, stability and distributional distances (Wasserstein-1, MK-MMD).

Key results (13 datasets, targets DOTA & DIOR):

• Background statistics dominate the shift: DIOR-BG_BLURRY reaches the lowest DSI (24.9).
• Aerial datasets (DOTA, XVIEW, DIOR, CADOT) form a low-shift cluster.
• Semantically distant datasets (OKTOBERFEST, ARTAXOR, DEEPFRUITS) are trivially separable — hence unsuitable as a source.
• COCO proves surprisingly competitive despite the absence of an aerial viewpoint.
• Rankings are stable across targets (r ≈ 0.96) and across classifiers.
• Few-shot transfer DOTA → DIOR (10-shot, Detectron2): AP 41.97 / AP50 63.98.

Travail académique — IMT Mines Alès (B. Delais, L. Igoho Zephir, L. Vasseur, C. Vial · décembre 2025).

Le pipeline opérationnel TLE + SGP4 est rapide et robuste, mais ses modèles de forces simplifiés induisent une dérive systématique : pour l'ISS, l'erreur de position atteint plusieurs kilomètres après seulement quelques heures de propagation.

Approche. Plutôt que de remplacer SGP4, on apprend une correction du résidu dans l'espace cartésien par rapport aux éphémérides haute précision (JPL Horizons). Une première tentative de prédiction directe des TLE par LSTM est écartée (erreurs de plusieurs milliers de km) au profit de l'apprentissage du résidu (dx, dy, dz), physiquement cohérent. Benchmark MLP / LSTM / encodeur Transformer sur fenêtres temporelles glissantes.

Résultats clés (satellites ISS & Hubble) :

• RMSE 3D de référence de SGP4 ≈ 17 km pour l'ISS (médiane ≈ 4 km), ≈ 4,4 km pour Hubble.
• Les MLP sont instables et amplifient parfois l'erreur ; les LSTM n'apportent qu'une amélioration modeste.
• L'encodeur Transformer est le seul à fournir une correction stable, généralisable et physiquement cohérente, surtout sur la composante along-track.
• La stratégie de correction du résidu préserve l'efficacité du pipeline TLE + SGP4 tout en réduisant l'erreur.

Academic work — IMT Mines Alès (B. Delais, L. Igoho Zephir, L. Vasseur, C. Vial · December 2025).

The operational TLE + SGP4 pipeline is fast and robust, but its simplified force models cause a systematic drift: for the ISS, position error reaches several kilometres after only a few hours of propagation.

Approach. Rather than replacing SGP4, we learn a residual correction in Cartesian space against high-precision ephemerides (JPL Horizons). An initial attempt to predict TLEs directly with an LSTM was discarded (errors of several thousand km) in favour of learning the residual (dx, dy, dz), which is physically meaningful. MLP / LSTM / Transformer-encoder benchmark on sliding temporal windows.

Key results (ISS & Hubble satellites):

• SGP4 baseline 3D RMSE ≈ 17 km for the ISS (median ≈ 4 km), ≈ 4.4 km for Hubble.
• MLPs are unstable and sometimes amplify the error; LSTMs bring only a modest improvement.
• The Transformer encoder is the only model delivering a stable, generalisable and physically consistent correction, mainly on the along-track component.
• The residual-correction strategy preserves the efficiency of the TLE + SGP4 pipeline while reducing the error.