De l'utilisation de l'apprentissage profond pour la segmentation d'images SAR océaniques

On the use of deep learning for ocean SAR image semantic segmentation

• 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
• Jury : Examinateurs / Examinatrices : Samir Saoudi, Bertrand Le Saux, Shigenori Otsuka, Ronan Fablet, Dominique Bouniol, Fabio Michele Rana, Stefano Zecchetto
• Jury : Rapporteurs / Rapporteuses : Bertrand Le Saux, Shigenori Otsuka

Mots clés

Mots clés contrôlés

Océanographie

Apprentissage profond

Radar à antenne synthétique

Télédétection

Mots clés libres

Télédetection

Radar à synthèse d'ouverture

Apprentissage profond

Océanographie

Remote Sensing

Synthetic aperture radar

Deep learning

Oceanography

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.

With water covering 71% of the surface of the Earth, and most meteorological processes stemming from the oceans, their observation is primordial to enhance our comprehension of the Earth system, improve meteorological models, and prevent hazards. Since ERS-1 (launched in 1991), C-Band Synthetic Aperture Radar (SAR) has beenused to observe the ocean surfaces. This particular electromagnetic band is especially useful for deriving information on waves, winds, precipitation, sea ice, and more at meso- and sub-mesoscale. The subject of this thesis is the segmentation, or pixel-per-pixel classification, of the ocean surface C-Band SAR observations. The generation of segmentation maps is possible through the use of machine learning frameworks that are able to extract information from the large data volume produced by the satellites Sentinel-1A and Sentinel-1B, which were launched in 2014 and 2016 as part of ESA’s Copernicus program. These observations are collocated with third-party sensors (ground stations, buoys, satellite-boarded instruments), manually annotated segmentations, or meteorological models to be able to train deep learning models and ensure their capacity through extensive tests. These studies show promising uses of new SAR-derived information and propose guidelines for building dedicated segmentation datasets and models.