Une stratégie auto-supervisée pour former des réseaux de dépouillement profond

MERLIN : Une stratégie auto-supervisée pour former des réseaux de dépouillement profond

Un modèle statistique de speckle dans l’image SAR : l’image d’intensité sur la droite est une version corrompue de l’image de réflectivité montrée sur la gauche. L’image complexe à un seul aspect contient des composants de speckle spatialement corrélés qui sont indépendants dans les parties réelles et imaginaires. La fonction de transfert SAR illustrée ici correspond au mode stripmap Sentinel-1. À des fins de visualisation, une table de consultation non linéaire est utilisée pour afficher des images d’intensité. Crédit : Dalsasso, Denis & Tupin. Crédit : Dalsasso, Denis & Tupin.

Lorsqu’un faisceau lumineux hautement cohérent, tel que celui émis par les radars, est réfléchi de manière diffuse sur une surface à structure rugueuse (par exemple, un morceau de papier, de la peinture blanche ou une surface métallique), il produit un effet granulaire aléatoire connu sous le nom de ” motif moucheté. Cet effet se traduit par de fortes fluctuations qui peuvent réduire la qualité et l’interprétabilité des images recueillies par les techniques de radar à synthèse d’ouverture (SAR).

Le SAR est une méthode d’imagerie qui peut produire des images 2D ou 3D à résolution fine à l’aide d’un système radar à résolution limitée. Il est souvent utilisé pour collecter des images de paysages ou de reconstitutions d’objets, qui peuvent être utilisés pour créer des modèles à l’échelle millimétrique à centimétrique de la surface de la Terre ou d’autres planètes.

Pour améliorer la qualité et la fiabilité des données SAR, des chercheurs du monde entier ont essayé de développer des techniques basées sur des réseaux de neurones profonds qui pourraient réduire l’effet speckle. Bien que certaines de ces techniques aient obtenu des résultats prometteurs, leurs performances ne sont toujours pas optimales.

L’une des raisons à cela est que la plupart des modèles existants apprennent à supprimer le chatoiement des images via un processus d’apprentissage supervisé, ce qui signifie qu’ils nécessitent également des images sans chatoiement pendant la formation. Cela peut rendre leur formation très difficile, car les images SAR sans taches ne sont généralement pas disponibles et doivent donc être fabriquées ou remplacées par d’autres images.

Une équipe de chercheurs de l’Institut polytechnique de Paris et de l’Université de Lyon a récemment mis en place une nouvelle stratégie d’apprentissage auto-supervisé pour entraîner des réseaux de neurones profonds afin de réduire les effets de speckle dans les données SAR. Cette méthode a été introduite dans un article prépublié sur arXiv et destiné à paraître sur Transactions IEEE sur les géosciences et la télédétection.

“Jusqu’à présent, la plupart des approches ont envisagé une stratégie de formation supervisée, où les réseaux sont formés pour produire des résultats aussi proches que possible des images de référence sans tache”, Emanuele Dalsasso, Loïc Denis et Florence Tupin, les chercheurs qui ont réalisé l’étude, a déclaré TechXplore. « Les images sans speckle ne sont généralement pas disponibles, ce qui oblige à recourir à des images naturelles ou optiques ou à la sélection de zones stables dans des séries temporelles longues pour contourner le manque de vérité terrain. L’autosurveillance, en revanche, évite l’utilisation de speckle. -images gratuites.”

La nouvelle stratégie d’entraînement au dépouillement des modèles basés sur les réseaux de neurones profonds introduite par cette équipe de chercheurs a été baptisée MERLIN (complex Self-supervised despeckLINg). MERLIN fonctionne en séparant les parties réelles et « imaginaires » d’images SAR complexes.

Remarquablement, la stratégie peut être utilisée pour former tous les types d’architectures de réseaux de neurones profonds. Contrairement aux approches proposées précédemment, elle est entièrement non supervisée et permet aux chercheurs de former des modèles de dépouillement à l’aide d’images complexes à un seul aspect (SLC). Les images SLC sont des images générées à partir de données SAR brutes où les pixels d’image individuels contiennent des informations relatives à l’amplitude et à la phase.

“Contrairement à d’autres travaux existants, MERLIN ne nécessite pas d’hypothèses supplémentaires comme l’absence de corrélations spatiales du speckle ou la stabilité temporelle tout au long d’une série temporelle”, ont écrit les chercheurs dans leur article.

Dalsasso, Denis et Tupin ont évalué leur stratégie d’entraînement au cours d’une série de tests et ont découvert qu’elle pouvait être utilisée efficacement pour entraîner toutes sortes de réseaux de nettoyage en profondeur. De plus, les modèles entraînés avec MELIN ont obtenu des résultats très prometteurs, même s’ils n’ont pas été entraînés sur des images sans tache.

“Les réseaux formés avec MERLIN prennent en compte les corrélations spatiales dues à la fonction de transfert SAR spécifique à un capteur et à un mode d’imagerie donnés”, ont écrit les chercheurs dans leur article. “En ne nécessitant qu’une seule image et en exploitant éventuellement de grandes archives, MERLIN ouvre la porte à une formation sans tracas ainsi qu’à grande échelle des réseaux de dépouillement.”

À l’avenir, cette stratégie d’apprentissage auto-supervisé pourrait être d’une grande valeur pour la recherche en géologie et dans d’autres domaines d’études liés à la Terre. En fait, cela pourrait permettre aux équipes de recherche de former des modèles de dépouillement plus facilement et plus efficacement, améliorant ainsi la qualité des données SAR sans avoir à compiler de grands ensembles de données d’images sans tache.


Aides à l’apprentissage : une nouvelle méthode aide à former des algorithmes de vision par ordinateur sur des données limitées


Plus d’information:
Emanuele Dalsasso, Loïc Denis, Florence Tupin, Comme par magie : apprentissage auto-dirigé des réseaux de dépouillement profond avec MERLIN. arXiv:2110.13148v1 [cs.CV], arxiv.org/abs/2110.13148

© 2021 Réseau Science X

Citation: MERLIN: A self-supervised strategy to train deep desspeckling networks (2021, 8 novembre) récupéré le 8 novembre 2021 sur https://techxplore.com/news/2021-11-merlin-self-supervised-strategy-deep-despeckling. html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.