| Titre : |
Apprentissage profond pour l'imagerie SAR : du débruitage à l'interprétation de scène |
| Titre original : |
Deep Learning for SAR Imagery: from denoising to scene understanding |
| Type de document : |
Thèse/HDR |
| Auteurs : |
Emanuele Dalsasso, Auteur ; Florence Tupin, Directeur de thèse ; Loïc Denis, Directeur de thèse |
| Editeur : |
Paris [France] : Télécom ParisTech |
| Année de publication : |
2022 |
| Autre Editeur : |
Paris : Institut Polytechnique de Paris |
| Importance : |
165 p. |
| Note générale : |
bibliographie |
| Langues : |
Français (fre) |
| Descripteur : |
[Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] apprentissage profond
[Termes IGN] chatoiement
[Termes IGN] image radar moirée
|
| Index. décimale : |
THESE Thèses et HDR |
| Résumé : |
(auteur) Le Radar à Synthèse d’Ouverture (RSO, aussi appelé SAR en anglais) permet d’acquérir des données pour l’observation de la Terre de jour comme de nuit, quelles que soient les conditions météorologiques. Grâce notamment au programme Copernicus de l’Agence Spatiale Européenne, nous disposons aujourd’hui d’un grand nombre de données distribuées librement. Cependant, l’exploitation de données satellitaires radar est limitée par la présence de très fortes fluctuations du signal rétrodiffusé par la scène imagée. En effet, les images SAR sont entachées par un phénomène intrinsèque aux systèmes d’imagerie cohérente : le chatoiement, communément appelé speckle. Dans cette thèse, nous visons à faciliter l’interprétation des images SAR grâce au développement de techniques de réduction de speckle. Les approches existantes reposent sur le modèle de Goodman, décrivant le speckle comme un bruit multiplicatif et spatialement non corrélé. Dans le domaine de la vision par ordinateur, les méthodes de débruitage s’appuyant sur un réseau neuronal convolutif (approches d’apprentissage profond) ont permis des grandes avancées et représentent aujourd’hui l’état de l’art. Nous proposons donc d’utiliser les techniques de débruitage basées sur les algorithmes d’apprentissage profond pour la réduction de speckle dans les images SAR (méthodes de despeckling). Premièrement, nous étudions l’adaptation des techniques dites supervisées, c.à.d. visant à minimiser l’écart, selon un certain critère, entre l’estimation fournie par le réseau et une image de référence, dite vérité terrain. Nous proposons la création d’une base de données d’images de référence en moyennant des piles d’images multi-temporelles acquises sur la même zone. Des paires d’images pour entraîner un réseau peuvent être générées en synthétisant du speckle selon le modèle de Goodman. Cependant, dans les images réelles le speckle est spatialement corrélé. La corrélation peut être typiquement réduite par un sous-échantillonnage d’un facteur 2, mais cela engendre une perte de résolution. Au vu des limites des approches supervisées, inspirés par la méthode auto-supervisée noise2noise, nous proposons d’apprendre un réseau directement sur des données réelles. Le principe des méthodes de débruitage auto-supervisées est le suivant : si un signal contient une composante déterministe et une composante aléatoire, un réseau entraîné à prédire une nouvelle réalisation de ce signal à partir d’une première réalisation indépendante ne pourra prédire que la composante déterministe, c.à.d. la scène sous-jacente, supprimant ainsi le speckle. Dans la méthode que nous développons, SAR2SAR, nous utilisons des séries multi-temporelles sous hypothèse de speckle temporellement décorrélé pour obtenir des réalisations indépendantes. Les changements sont compensés en recourant à une stratégie d’entraînement itérative. Le réseau SAR2SAR est donc entraîné sur des images dont le speckle est corrélé spatialement et peut être par conséquent appliqué directement sur les images radar, donnant des performances de très bonne qualité en termes de préservation de la résolution spatiale. L’apprentissage de SAR2SAR reste cependant lourd : la stratégie se déroule en plusieurs étapes pour compenser les changements et un jeu de données contenant des piles d’images doit être constitué. Avec l’approche MERLIN, nous relâchons ces contraintes en proposant une méthode d’apprentissage auto-supervisée mono-image. En effet dans les images SAR complexes, les partie réelles et imaginaires sont mutuellement indépendantes et elles peuvent être naturellement utilisées pour apprendre un réseau de manière auto-supervisée. Nous montrons la simplicité de mise en œuvre d’un tel cadre en entraînant un réseau pour trois modalités d’acquisitions, présentant des différences en termes de résolution spatiale, de textures et de corrélation spatiale du speckle. |
| Numéro de notice : |
17717 |
| Affiliation des auteurs : |
non IGN |
| Thématique : |
IMAGERIE/INFORMATIQUE |
| Nature : |
Thèse française |
| Note de thèse : |
thèse : Signal, Images, Automatique et robotique : Institut Polytechnique de Paris : 2022 |
| Organisme de stage : |
Laboratoire Traitement et Communication de l'Information LTCI |
| DOI : |
sans |
| Date de publication en ligne : |
12/05/2022 |
| En ligne : |
https://theses.hal.science/tel-03666646 |
| Format de la ressource électronique : |
URL |
| Permalink : |
https://documentation.ensg.eu/index.php?lvl=notice_display&id=100034 |
|  |
Apprentissage profond pour l'imagerie SAR : du débruitage à l'interprétation de scène (2022)
