Application du Deep Learning pour la détection de changements en imagerie RADAR

Abstract

L'étalement urbain et les dommages accrus provoqués par les catastrophes naturelles (tremblements de terre, inondations, incendies de forêt, etc.) ont contribué à souligner l’importance croissante de la technique de détection de changements à l’aide des images de télédétection. Le radar à synthèse d’ouverture (SAR) a présenté une excellente alternative à la télédétection terrestre, avec des applications allant de l'exploration spatiale à la détection de changements. Au cours des dernières décennies, ces techniques de détection en imagerie SAR ont beaucoup évolué, parallèlement aux progrès de l'intelligence artificielle, contribuant au développement d’études dans des endroits difficiles d'accès. L’apprentissage en profondeur a pris son envol dans ces applications. Il est de plus en plus le modèle de choix, en ce sens qu’il a ouvert de nouvelles perspectives pour la surveillance et l'évaluation de l’environnement. Cela a permis de réduire la forte dépendance au travail manuel et offrir une nouvelle méthode de traitement automatique et perspicace pour répondre aux exigences actuelles. Des algorithmes de détection de changements basés sur des cadres d'apprentissage en profondeur ont atteint d'excellentes performances et ont permis de détecter des changements plus délicats. À ce jour, leur efficacité et leur précision avec une présence de bruits de speckle et de données d’entraînement étiquetées limitées sont toujours pleines de défis. Dans ce contexte, la visée essentielle de ce travail a consisté à apporter plus d’efficience et de faisabilité aux modèles de détection de changements actuels, en améliorant leurs performances et leurs précisions sans introduire de calculs additionnels, tout en réduisant leur complexité, cela a été réalisé grâce à l’introduction de l'apprentissage profond. L’efficacité et la fiabilité des méthodes proposées ont été démontrées en comparant ses résultats avec d’autres méthodes de pointe.