Portrait de Pierre-Luc St-Charles

Pierre-Luc St-Charles

pl.stcharles@mila.quebec
Scientifique senior en recherche appliquée, IA sécuritaire pour l'humanité

Biographie

Pierre-Luc St-Charles est chercheur appliqué et développeur spécialisé en apprentissage automatique et en vision par ordinateur, avec plus d’une décennie d’expérience à l’interface entre la recherche et l’industrie depuis 2011. Il a occupé des postes de recherche à l’Institut de recherche en informatique de Montréal ainsi que des postes de recherche senior à Mila, où il a collaboré étroitement avec des partenaires industriels et des équipes universitaires multidisciplinaires sur des projets novateurs dans les domaines des ressources naturelles, du transport, des médias numériques, de l’intelligence documentaire et de l’observation de la Terre. Pierre-Luc a obtenu son doctorat en vision par ordinateur à Polytechnique Montréal, où il a reçu le prix de la meilleure thèse du département. Depuis 2024, il s’est joint à LawZero, une organisation incubée à Mila dédiée au développement de technologies d’IA sécuritaires, affirmant ainsi son engagement envers une innovation en IA à la fois responsable et porteuse d’impact.

Publications

Multi-Image Super-Resolution for Remote Sensing using Deep Recurrent Networks
Md Rifat Arefin
Vincent Michalski
Pierre-Luc St-Charles
Alfredo Kalaitzis
Sookyung Kim
Samira Ebrahimi Kahou
Yoshua Bengio
High-resolution satellite imagery is critical for various earth observation applications related to environment monitoring, geoscience, fore… (voir plus)casting, and land use analysis. However, the acquisition cost of such high-quality imagery due to the scarcity of providers and needs for high-frequency revisits restricts its accessibility in many fields. In this work, we present a data-driven, multi-image super resolution approach to alleviate these problems. Our approach is based on an end-to-end deep neural network that consists of an encoder, a fusion module, and a decoder. The encoder extracts co-registered highly efficient feature representations from low-resolution images of a scene. A Gated Re-current Unit (GRU)-based module acts as the fusion module, aggregating features into a combined representation. Finally, a decoder reconstructs the super-resolved image. The proposed model is evaluated on the PROBA-V dataset released in a recent competition held by the European Space Agency. Our results show that it performs among the top contenders and offers a new practical solution for real-world applications.
2020-06-01
2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (publié)
doi.org