De l'utilisation de l'apprentissage profond pour la segmentation d'images SAR océaniques
Auteur / Autrice : | Aurélien Colin |
Direction : | Samir Saoudi |
Type : | Thèse de doctorat |
Discipline(s) : | Signal, Image, Vision |
Date : | Soutenance le 12/12/2022 |
Etablissement(s) : | Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire |
Ecole(s) doctorale(s) : | École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) |
Partenaire(s) de recherche : | Laboratoire : Equipe Communication System Design - Département Mathematical and Electrical Engineering - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance |
Jury : | Président / Présidente : François Rousseau |
Examinateurs / Examinatrices : Samir Saoudi, Bertrand Le Saux, Shigenori Otsuka, Ronan Fablet, Dominique Bouniol, Fabio Michele Rana, Stefano Zecchetto | |
Rapporteurs / Rapporteuses : Bertrand Le Saux, Shigenori Otsuka |
Mots clés
Résumé
Nombreux sont les phénomènes météorologiques prenant naissance dans les océans, dont 71% de la surface de la Terre est couverte. L’observation des étendues marines est primordiale pour accroître notre compréhension du système Terre, améliorer les modèles météorologiques et atténuer l’effet des catastrophes naturelles. Depuis le lancement d’ERS-1 en1991, les radars à synthèse d’ouverture (SAR, d’après l’acronyme anglais) en bande C sont utilisés pour observer les surfaces océaniques. La bande C est, en effet, particulièrement utile pour obtenir des informations sur les vagues, le vent, les précipitations, la banquise, que ce soit à méso- ou à sous-méso échelle. La thèse ci-présente traite de la segmentation, c’est-à-dire de la classification pixel par pixel, des observations SAR en bande C dans un contexte océanographique. Les modèles d’apprentissage profond permettant d’inférer des informations à partir de larges ensembles de données, nous mettons à profit les acquisitions produites par les satellites Sentinel-1A et Sentinel-1B pour générer des cartes de segmentation. Ces deux satellites du programme Copernicus ont été lancés au cours des années 2014 et 2016. Les observations du capteur SAR sont co-localisées avec des sources secondaires (par exemple des radars côtiers, des bouées ou encore d’autres satellites), parfois manuellement annotées, ou encore reliées à des modèles météorologiques. Elles sont ensuite utilisées pour entraîner des modèles d’apprentissage profond et pour s’assurer de leurs performances à travers de multiples comparaisons. Ces études mettent en exergue la possibilité pour l’imagerie SAR de déduire de nouvelles informations prometteuses. Elles proposent également un cadre pour la construction de jeux de données de segmentation et de l’entraînement des modèles afférents.