ASTRAL Apprentissage StaTistique pour l’imageRie sAr muLtidimensionnelle

Objective of the project

L’imagerie SAR (Synthetic Aperture Radar, radar à synthèse d’ouverture) repose sur l’émission d’ondes électro-magnétiques hyper-fréquences qui sont ensuite rétro-diffusées par les éléments à la surface du sol, permettant ainsi d’en mesurer les propriétés physiques. Le déphasage relatif des ondes reçues par le radar, mesuré en combinant des paires d’images (interférométrie) ou une pile d’images (tomographie) acquises sous des incidences voisines, donne accès à la hauteur des éléments de la scène ou à leur déplacement. La polarimétrie qui émet des ondes avec différentes polarisations, permet quant à elle d’accéder à une information plus riche sur les propriétés électro-magnétiques des rétro-diffuseurs. Ces techniques d’imagerie sont maintenant bien établies mais la pleine exploitation automatique des données acquises reste difficile en raison du très fort bruit de speckle qui dégrade les données et des déformations géométriques présentes (liées à la visée latérale: phénomènes d’ombre et de repliement). Parallèlement, les techniques d’intelligence artificielle et en particulier l’apprentissage profond ont révolutionné le domaine de l’analyse et de l’interprétation d’images ces 5 dernières années. Certains problèmes ont connu des avancées fulgurantes au point de pouvoir être considérés comme quasiment résolus dans certaines conditions (débruitage, super-résolution, classification, …). Pourtant l’exploitation de ces approches nécessite encore des efforts de recherche importants dans différentes situations : peu de données étiquetées, nature spécifique des données (comme par exemple des vecteurs de nombres complexes en imagerie SAR), nécessité de caractériser la fiabilité du résultat… Un axe de recherche particulièrement actif à l’heure actuelle est l’articulation entre les connaissances physiques, souvent disponibles sous forme de modèles, et les approches d’apprentissage s’appuyant sur les données.

L’objectif central de ce projet est d’exploiter, dans des méthodes d’apprentissage, les connaissances de la physique du SAR afin de développer de nouvelles approches d’analyse et d’interprétation de scènes radar. Il s’articule selon les 3 axes suivants. Un premier axe est dédié à la représentation de la connaissance dans les réseaux profonds, notamment en intégrant la physique d’acquisition (données vectorielles complexes, paramètres d’intérêt dans des matrices de covariance à symétrie hermitienne définies positives), et la géométrie d’acquisition (prise en compte de l’influence de la géométrie, notamment les positions relatives des capteurs en interférométrie ou tomographie et des relations spatiales entre objets de la scène). Un deuxième axe est consacré aux stratégies d’apprentissage dans le cas d’un faible nombre de données étiquetées (simulation de bases d’entraînement, techniques d’auto-supervision) et à la confiance qu’on peut associer aux résultats. Le dernier axe est consacré au développement d’applications pour la caractérisation et le suivi du milieu urbain en imagerie SAR : la classification de scènes urbaines, leur reconstruction tri-dimensionnelle et la détection de changements.

Une des originalités du projet tient au choix de ne pas se limiter à une application ou une modalité particulière de l’imagerie radar, mais plutôt à étudier des cadres génériques pour la représentation des données SAR en exploitant les connaissances et les contraintes physiques spécifiques à ce domaine. Les objectifs sont donc doubles : d’une part apporter des contributions méthodologiques sur l’intégration des connaissances physiques propres à l’imagerie SAR dans l’architecture des réseaux et leur entraînement (axes 1 et 2) ; d’autre part apporter des contributions applicatives pour l’interprétation de scène urbaine par imagerie SAR (caractérisation, reconstruction 3D, détection de changements) (axe 3).