Apprentissage auto-supervisé guidé statistiquement pour la détection d'anomalies en imagerie SAR - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Apprentissage auto-supervisé guidé statistiquement pour la détection d'anomalies en imagerie SAR

Résumé

Anomaly detection in Synthetic Aperture Radar (SAR) images is an important topic. However, the task is challenging due to the scarcity of anomalous samples and the lack of annotated data, which has led most algorithms in this field to be unsupervised. To address the issue, this article proposes a new loss that adds prior statistical information. It will be applied to an autoencoder whose goal is to reconstruct the input data as accurately as possible after encoding them in a latent vector. The proposed loss function guides the network using the Reed-Xiaoli (RX) detector and replaces any pixels in the input data deemed too abnormal with normal surrounding values. This approach incorporates a priori information in addition to the assumption that anomalies are largely under-represented compared to the rest of the image. This is done to guarantee a poor reconstruction of the anomalies. A study is then made to demonstrate that the proposed loss function improves the detection performance.
La détection d'anomalies dans les images acquises par un radar à synthèse d'ouverture (SAR) suscite beaucoup d'intérêts en télédétection. Cependant, la rareté des données anormales et le manque d'annotations conduit la plupart des algorithmes dans ce domaine à être non supervisés. Pour résoudre ce problème, cet article propose une nouvelle fonction de coût prenant en compte des informations sur les statistiques des données d'entrées. Elle sera appliquée à un autoencodeur adversarial (AAE) dont le but est de reconstruire les données d'entrée sans les anomalies après les avoir encodées dans un vecteur latent. Pour cela, l'AAE est entraîné sur une fonction de perte guidée par le détecteur Reed-Xiaoli (RX) remplaçant tous les pixels de l'image d'entrée jugés anormaux par les valeurs normales environnantes. De plus, les anomalies sont largement sous-représentées par rapport au reste de l'image, ce qui induit une mauvaise reconstruction des anomalies après le traitement encodage décodage par l'AAE. Finalement, un détecteurs de changement est appliqué entre l'image d'entrée et de sortie de l'AAE pour délimiter les anomalies. Une étude expérimentale sur des image SAR en bande L montre que la fonction de coût proposée améliore les performances de détection.
Fichier principal
Vignette du fichier
DEMR23065.pdf (10.53 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04248060 , version 1 (18-10-2023)

Identifiants

  • HAL Id : hal-04248060 , version 1

Citer

Max Muzeau, Chengfang Ren, Datcu Mihai, Jean-Philippe Ovarlez. Apprentissage auto-supervisé guidé statistiquement pour la détection d'anomalies en imagerie SAR. GRETSI 2023, Aug 2023, GRENOBLE, France. ⟨hal-04248060⟩
41 Consultations
16 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More