Schémas de Détection d'anomalies pour imagerie SAR

Cette thèse explore de nouvelles approches d'apprentissage profond pour l'analyse d'images SAR, en se concentrant sur la détection d'anomalies et l'extraction de {it features}. Les propriétés uniques de l'imagerie SAR nécessitent des techniques spécialisées différentes des méthodes optiques. Nous abordons ces défis par le biais de nouvelles architectures et approches d'apprentissage auto-supervisé.Pour la détection d'anomalies, une méthode basée sur des autoencodeurs adverses est développée, intégrant une étape de {it despeckling} et une fonction de perte guidée statistiquement. Des évaluations quantitatives et qualitatives sont effectuées pour mettre en évidence les performances de notre méthode. En comparaison avec les détecteurs statistiques standard, elle montre des taux de détection plus élevés et des taux de fausses alarmes plus faibles dans le cas des images SAR en bande X à haute résolution.La deuxième contribution de la thèse consiste à développer un extracteur de caractéristiques SAR appelé SAFE. Il est basé sur un apprentissage contrastif adaptés aux caractéristiques de ces images. Il peut traiter divers modes d'acquisition et résolutions. Nous évaluons l'efficacité de SAFE sur plusieurs tâches, notamment la segmentation sémantique, la détection {it few-shots}, la visualisation de données et la reconnaissance de motifs, égalant ou surpassant souvent les modèles de pointe sans entraînement spécifique pour chaque tâche.Cette thèse fait progresser le domaine du traitement d'images SAR, proposant des méthodes de détection d'anomalies et d'extraction de caractéristiques qui s'adaptent aux défis uniques de l'imagerie SAR.