Débruitage multi-temporel d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé - Equipe Image, Modélisation, Analyse, GEométrie, Synthèse Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Débruitage multi-temporel d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé

Résumé

Les satellites imageurs radar (SAR) représentent une modalité très utilisée pour l'observation de la terre, fournissant à chaque revisite une nouvelle image de la zone d'intérêt. L'interprétation des images SAR est cependant difficile à cause du phénomène de chatoiement: des fluctuations apparaissent dans l'image, d'autant plus fortes là où la réflectivité radar est élevée. Un grand nombre de méthodes de réduction du chatoiement ont donc été développées. Nous proposons ici une approche d'apprentissage profond présentant deux originalités: 1) l'exploitation d'une série temporelle d'images afin d'améliorer la restauration d'une image d'intérêt et 2) l'entraînement sans référence du réseau de neurones.
Fichier principal
Vignette du fichier
2022_meraoumia930.pdf (908.25 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03806566 , version 1 (07-10-2022)

Identifiants

  • HAL Id : hal-03806566 , version 1

Citer

Inès Meraoumia, Emanuele Dalsasso, Loïc Denis, Florence Tupin. Débruitage multi-temporel d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé. GRETSI 2022, Sep 2022, Nancy, France. ⟨hal-03806566⟩
128 Consultations
119 Téléchargements

Partager

Gmail Facebook X LinkedIn More