Débruitage multi-modal d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé - Télécom Paris Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

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

Résumé

-L'observation de la Terre a été largement facilitée depuis de nombreuses années grâce à l'utilisation des satellites imageurs radar à synthèse d'ouverture (SAR), qui offrent des capacités d'imagerie indépendantes des conditions météorologiques. Toutefois, l'interprétation de ces images SAR est complexe en raison de la présence de bruit inhérent à l'imagerie cohérente. En effet, des fluctuations apparaissent dans les images, notamment là où la réflectivité radar est élevée. Ainsi, de nombreuses méthodes ont été développées pour réduire le bruit présent dans ces images, notamment des méthodes neuronales particulièrement efficaces. Dans cet article, nous proposons d'étudier comment l'ajout d'une donnée auxiliaire comme une image optique peut améliorer la restauration de la réflectivité dans ce cadre.
Fichier principal
Vignette du fichier
gaya1175.pdf (1.9 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04144686 , version 1 (28-06-2023)

Identifiants

  • HAL Id : hal-04144686 , version 1

Citer

Victor Gaya, Emanuele Dalsasso, Loïc Denis, Florence Tupin, Béatrice Pinel-Puysségur, et al.. Débruitage multi-modal d'images radar à synthèse d'ouverture par apprentissage profond auto-supervisé. GRETSI, Aug 2023, Grenoble, France. ⟨hal-04144686⟩
81 Consultations
105 Téléchargements

Partager

Gmail Facebook X LinkedIn More