Une approche pour la tomographie SAR des zones forestières par apprentissage profond supervisé - Télécom Paris Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Une approche pour la tomographie SAR des zones forestières par apprentissage profond supervisé

Résumé

-L'imagerie tomographique par radar à synthèse d'ouverture (SAR) reconstruit les informations tridimensionnelles de réflectivité d'une scène à partir d'un ensemble d'acquisitions cohérentes réalisées dans une configuration interférométrique. Dans les zones forestières, cette réflectivité est modélisée sous la forme d'un profil vertical pour des coordonnées distance azimut arbitraires. Pour reconstruire ce profil, des techniques d'estimation spectrale non paramétrique à faible résolution ou une inversion régularisée mise en oeuvre sous la forme d'algorithmes de minimisation itératifs, qui sont très coûteux en temps, sont utilisées. Nous présentons ici une approche d'apprentissage profond supervisée à partir de données simulées proposée dans [3]. Dans cet article nous étudions la variabilité inter-entraînement sur données simulées et réelles du réseau de neurones développé.
Fichier principal
Vignette du fichier
GRETSI_2023_BERENGER_FINAL.pdf (3.16 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04152895 , version 1 (01-09-2023)

Identifiants

  • HAL Id : hal-04152895 , version 1

Citer

Zoé Berenger, Loïc Denis, Florence Tupin, Laurent Ferro-Famil. Une approche pour la tomographie SAR des zones forestières par apprentissage profond supervisé. GRETSI, Aug 2023, Grenoble, France. ⟨hal-04152895⟩
34 Consultations
11 Téléchargements

Partager

Gmail Facebook X LinkedIn More