Schémas de Détection d'anomalies pour imagerie SAR

Anomaly detection schemes for SAR images

• Auteur / Autrice : Max Muzeau
• Direction : Jean-Philippe Ovarlez, Chengfang Ren, Joana Maria Frontera Pons
• Type : Thèse de doctorat
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Soutenance le 18/12/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : SONDRA (Gif-sur-Yvette, Essonne ; 2004-....)
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Jury : Président / Présidente : Florence Tupin
• Jury : Examinateurs / Examinatrices : Jocelyn Chanussot, Laurent Ferro-Famil, Thibaud Ehret
• Jury : Rapporteurs / Rapporteuses : Jocelyn Chanussot, Laurent Ferro-Famil
• DOI : 10.70675/f0886a1czc193z4a95z94ebz8a6d5a5e246b

Mots clés

Mots clés contrôlés

Télédétection

Imagerie satellitaire

Détection des anomalies (informatique)

Apprentissage profond

Mots clés libres

Apprentissage profond

Détection d'anomalie

Imagerie SAR

Apprentissage auto-supervisé

Deep learning

Anomaly detection

SAR imaging

Self-Supervised Learning

Résumé

Cette thèse explore de nouvelles approches d'apprentissage profond pour l'analyse d'images SAR, en se concentrant sur la détection d'anomalies et l'extraction de {it features}. Les propriétés uniques de l'imagerie SAR nécessitent des techniques spécialisées différentes des méthodes optiques. Nous abordons ces défis par le biais de nouvelles architectures et approches d'apprentissage auto-supervisé.Pour la détection d'anomalies, une méthode basée sur des autoencodeurs adverses est développée, intégrant une étape de {it despeckling} et une fonction de perte guidée statistiquement. Des évaluations quantitatives et qualitatives sont effectuées pour mettre en évidence les performances de notre méthode. En comparaison avec les détecteurs statistiques standard, elle montre des taux de détection plus élevés et des taux de fausses alarmes plus faibles dans le cas des images SAR en bande X à haute résolution.La deuxième contribution de la thèse consiste à développer un extracteur de caractéristiques SAR appelé SAFE. Il est basé sur un apprentissage contrastif adaptés aux caractéristiques de ces images. Il peut traiter divers modes d'acquisition et résolutions. Nous évaluons l'efficacité de SAFE sur plusieurs tâches, notamment la segmentation sémantique, la détection {it few-shots}, la visualisation de données et la reconnaissance de motifs, égalant ou surpassant souvent les modèles de pointe sans entraînement spécifique pour chaque tâche.Cette thèse fait progresser le domaine du traitement d'images SAR, proposant des méthodes de détection d'anomalies et d'extraction de caractéristiques qui s'adaptent aux défis uniques de l'imagerie SAR.

This thesis explores novel deep learning approaches for SAR image analysis, focusing on anomaly detection and feature extraction. The unique properties of SAR imagery necessitate specialized techniques that differ from optical ones. We address these challenges through new self-supervised learning approaches.For anomaly detection, we develop a method based on Adversarial Autoencoders, incorporating a despeckling pre-processing step and a statistically guided loss function. Both quantitative and qualitative evaluations are performed to highlight the performance of the proposed method. Comparing our method with statistical detectors demonstrates higher detection rates and lower false alarm rates for high-resolution X-band SAR images.The second contribution of the thesis consists of developing a SAR feature extractor called SAFE. It is based on contrastive learning principles adapted for SAR-specific characteristics. SAFE handles diverse SAR acquisition modes and resolutions. We evaluate its effectiveness on multiple downstream tasks, including semantic segmentation, few-shot detection, data visualization, and pattern recognition, often matching or surpassing state-of-the-art models without task-specific training.This thesis advances the field of SAR image processing, providing methods for anomaly detection and feature extraction that adapt to the unique challenges of SAR imagery.