Schémas de Détection d'Anomalies en Imagerie SAR

Anomaly detection schemes in SAR imaging

• Auteur / Autrice : Max Muzeau
• Direction : Jean-Philippe Ovarlez
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : SONDRA/CENTRALESUPELEC
• Partenaire(s) de recherche : Référent : CentraleSupélec
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)

Mots clés

Mots clés libres

Apprentissage profond

Détection d'anomalie

Imagerie SAR

Apprentissage auto-supervisé

Deep learning

Anomaly detection

SAR imaging

Self-Supervised Learning

Résumé

La détection d'anomalies vise à découvrir les motifs anormaux cachés dans les signaux et les images radar multidimensionnels. Ce domaine de recherche est essentiel dans l'exploration de données pour isoler rapidement les segments irréguliers ou suspects dans les grandes quantités de la base de données. Quelques exemples sont donnés ci-dessous : a) marée noire, b) sillage turbulent de navire, c) anomalie de digue, d) archéologie. Une pléthore de schémas de détection d'anomalies a été proposée dans la littérature. Parmi eux, les méthodes non supervisées sont les plus intéressantes car elles sont largement applicables et ne nécessitent pas d'étiqueter les données. Dans ce projet de thèse, nous proposons de concevoir de nouveaux schémas de détection pour répondre à ces problèmes et limitations. Plus précisément, l'objectif de cette thèse est de développer des méthodes efficaces et robustes pour extraire les ROIs (Régions of Interest) anormales dans les images SAR. Nous proposons tout d'abord de traiter le bruit à queue lourde avec la famille des distributions elliptiques, qui s'adaptent mieux à la distribution du bruit. Ensuite, les distances statistiques et par pixel seront améliorées en utilisant une métrique riemannienne naturelle plutôt que la métrique euclidienne standard pour mieux détecter les ROIs anormales. Si des données étiquetées sont disponibles, des approches d'apprentissage métrique sont également envisagées. En outre, des étapes de prétraitement de blanchiment et de débruitage sont à l'étude pour atténuer la puissance du bruit. Enfin, les méthodes développées seront appliquées à la détection d'anomalies dans les images SAR obtenues à partir des missions SETHI, Sentinel-1, UAVSAR et TerraSAR-X. Notamment, ces méthodes proposées pourraient être utilisées pour surveiller les intrusions dans les zones de végétation.

Anomaly detection aims to discover abnormal patterns hidden in multidimensional radar signals and images. This research field is essential in data mining for quickly isolating irregular or suspicious segments in large amounts of the database. Some examples are given below: a) Oil Slick, b) Turbulent ship wake, c) Levee anomaly, d) Archeology. A plethora of anomaly detection schemes has been proposed in the literature [1-3]. Among them, the unsupervised methods are the most interesting since they are widely applicable and do not require labeling the data. In this thesis project, we propose to design new schemes tackling these issues and limitations. More specifically, the goal of this thesis is to develop efficient and robust methods to extract abnormal ROIs in SAR images. We firstly propose to handle heavy-tailed noise with the family of elliptical distributions [13, 14], which better fit the noise distribution. Secondly, statistical and pixel-wise distances will be improved by using a natural Riemannian metric rather than the standard Euclidean metric for better detecting abnormal ROIs. Under the availability of labeled data, metric learning approaches [15] are also under the scope. Additionally, whitening and denoising preprocessing steps are going under investigation to mitigate noise power. Finally, the developed methods will be applied for detecting anomalies in SAR images obtained from SETHI, Sentinel-1, UAVSAR, and TerraSAR-X missions. Notably, these proposed methods could be used for monitoring intrusion in vegetation zones.