| Imprimer |
| Deep learning for satellite image compression (Apprentissage profond pour la compression d'images satellitaires) Bacchus, Denis Pascal - (2023-12-12) / Université de Rennes Deep learning for satellite image compression
| |||
Langue : Anglais Directeur(s) de thèse: Roumy, Aline; Guillemot, Christine Discipline : Signal, image, vision Laboratoire : INRIA-RENNES Ecole Doctorale : MATISSE Classification : Sciences de l'ingénieur Mots-clés : compression d'images, traitement conjoint, dématriçage, apprentissage profond
| |||
Résumé : Les images satellitaires ont une grande résolution aujourd'hui grâce à des capteurs performants. Cela se traduit par une utilisation importante de ces images pour tout type d'application. Cet accroissement du volume de données à transmettre jusqu'à la Terre nécessite des méthodes de compression efficaces devant tenir compte des contraintes matérielles existant dans les systèmes embarqués. Nous répondons à ces problématiques par l'emploi de réseaux de neurones profonds. Nous développons d'abord un autoencodeur adapté au point de fonctionnement voulu et aux particularités des images satellitaires. Nous l'améliorons avec l'ajout d'une fonction de coût perceptuel afin d'extraire les détails hautes fréquences de ces images à forte entropie. Dans un deuxième temps, nous incluons d'autres traitements que la compression à notre réseau pour diminuer la complexité. En effet, les images brutes en sortie de capteurs sont des matrices de filtres colorés exigeant un dématriçage pour obtenir une image RVB. Ces images sont par ailleurs bruitées lors de l'acquisition, ce qui complique la tâche de compression. Nous présentons alors un réseau pour traiter conjointement ces opérations lors de la phase de reconstruction tout en codant des images brutes. Nous améliorons notre réseau avec une branche de guidage lors de l'entraînement pour forcer une reconstruction intermédiaire proche lors du décodage. Notre méthode obtient de meilleurs compromis débits-distorsions que les standards satellitaires actuels tout en réduisant la complexité totale de l'ensemble du processus. Abstract : Today's satellite images have a high resolution, thanks to high-performance sensors. This means that these images are used extensively for all kinds of applications. This increase in the volume of data to be transmitted to Earth requires efficient compression methods that take into account the hardware constraints onboard. We are addressing these issues by using deep neural networks. First, we are developing an autoencoder adapted to the desired operating point and to the specific characteristics of satellite images. We improve it by adding a perceptual loss function to extract high-frequency details from these high-entropy images. Secondly, we include other processing than compression in our network to reduce complexity. The raw images at the sensor output are colour filter arrays requiring demosaicking to obtain an RGB image. These images are also affected by noise during the acquisition process, which hinders the compression process. We therefore present a network for jointly processing these operations in the decoder while encoding raw images. We improve our network with a guidance branch during training to force a close intermediate reconstruction during decoding. Our method achieves better rate-distortion trade-offs than current satellite baselines while reducing the overall complexity. | |||