Débruitage multi-temporel d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé - Télécom Paris Access content directly
Conference Papers Year :

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

Abstract

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
Origin : Files produced by the author(s)

Dates and versions

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

Identifiers

  • HAL Id : hal-03806566 , version 1

Cite

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⟩
89 View
65 Download

Share

Gmail Facebook Twitter LinkedIn More