Automatic simulation of SAR images: comparing a deep-learning based method to a hybrid method - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Automatic simulation of SAR images: comparing a deep-learning based method to a hybrid method

Simulation automatique d'images SAR : comparaison entre une méthode basée sur l'apprentissage profond et une méthode hybride

Résumé

This study compares two approaches for simulating synthetic aperture radar (SAR) images. The first approach uses a conditional Generative Adversarial Network (cGAN) to learn statistical image distributions from optical images. In a second approach, we generate SAR images using a electromagnetic simulator taking into input material maps obtained by segmenting optical images. We propose two metrics to evaluate the quality of the simulation. We evaluate the methods on existing Sentinel-1 SAR images of France using the DREAM database. The results suggest that the physical simulator with automatically created material maps is better suited for generating realistic SAR images compared to the cGAN approach, even if a lot of work remains to be done on the complexity of the description of the scene.
L'imagerie SAR permet d'observer de vastes zones dans toutes les conditions météorologiques. La simulation d'images SAR peut être nécessaire pour créer des bases de données utilisées pour évaluer des algorithmes innovants ou pour entraîner des réseaux neuronaux. Les méthodes de simulation peuvent être classées en deux catégories : celles qui s'appuient sur la connaissance physique des interactions électromagnétiques représentées par l'image, et celles qui les ignorent et se basent uniquement sur la distribution statistique apprise des images. La principale contribution de cet article est la comparaison de deux approches correspondant à ces différents types de méthodes, ainsi que la proposition de métriques pertinentes ciblant les caractéristiques des images SAR pour évaluer la qualité de la simulation. Parmi les approches sans contexte physique, les approches d'apprentissage profond (DL) basées sur les réseaux neuronaux adversatifs génératifs (GAN) peuvent générer des images optiques et SAR à partir de la couverture terrestre et du modèle numérique d'élévation (DEM). D'autre part, les simulateurs physiques génèrent une image SAR à partir d'un modèle 3D de la scène, comme la méthode de traçage de rayons RaySAR, la méthode de simulation de la cohérence CohRaS ou le cadre EMPRISE qui calcule la section efficace radar (SER) à partir de mécanismes canoniques. Dans ces travaux, les simulateurs physiques ont besoin d'informations d'acquisition, de modèles 3D et d'une carte de matériaux en entrée. Aujourd'hui, les cartes de matériaux sont générées manuellement, ce qui entrave l'utilisation des simulateurs physiques. Dans ce travail, nous proposons une méthode DL pour générer automatiquement la carte de matériaux à partir d'images optiques comme entrée d'une simulation en utilisant EMPRISE, et nous la comparons à une simulation basée sur l'approche DL du GAN conditionnel (cGAN).
Fichier principal
Vignette du fichier
DTIS23020.1701274863_postprint.pdf (1.9 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04314664 , version 1 (29-11-2023)

Identifiants

  • HAL Id : hal-04314664 , version 1

Citer

Nathan Letheule, Flora Weissgerber, Sylvain Lobry, Elise Colin. Automatic simulation of SAR images: comparing a deep-learning based method to a hybrid method. IEEE IGARSS 2023, Jul 2023, PASADENA, United States. ⟨hal-04314664⟩
43 Consultations
27 Téléchargements

Partager

Gmail Facebook X LinkedIn More