Complétion par apprentissage profond de séries temporelles d'images multi-spectrales à partir d'images hyper-spectrales - Archive ouverte HAL
Conference Papers Year : 2022

Complétion par apprentissage profond de séries temporelles d'images multi-spectrales à partir d'images hyper-spectrales

Abstract

In this paper, we are interested in the completion of a time series of multi-spectral images from a time series of hyper-spectral ones. To that end, we propose a new deep learning approach to that end. Our main contribution lies in the error completion task which allows to improve the completion performance. We show that our proposed method is able to produce high fidelity predictions with better quality indices than state-of-the-art methods on true images taken from the CIA / LGC database and Sentinel-2 / Sentinel-3 data.
Dans cet article, nous nous intéressons à la complétion d'une série temporelle d'images satellitaires multi-spectrales à partir d'une série temporelle d'images satellitaires hyper-spectrales. Nous proposons pour cela une nouvelle approche d'apprentissage profond. Notre contribution principale réside dans la tâche de complétion de l'erreur qui permet d'améliorer la qualité de complétion. Nous montrons que l'approche proposée est capable de fournir des prédictions haute fidélité avec de meilleurs indices de qualités que les approches de la littérature, sur des images réelles issues des bases de données CIA / LGC et Sentinel-2 / Sentinel-3.
Fichier principal
Vignette du fichier
2022_puigt721.pdf (496.27 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03684726 , version 1 (06-09-2022)

Identifiers

  • HAL Id : hal-03684726 , version 1

Cite

Cheick Tidiani Cissé, Ahed Alboody, Matthieu Puigt, Gilles Roussel, Vincent Vantrepotte, et al.. Complétion par apprentissage profond de séries temporelles d'images multi-spectrales à partir d'images hyper-spectrales. XXVIIIème Colloque Francophone de Traitement du Signal et des Images (GRETSI), Sep 2022, Nancy, France. ⟨hal-03684726⟩
93 View
51 Download

Share

More