Communication Dans Un Congrès Année : 2025

VAE pour la détection d'anomalies en imagerie SAR

Résumé

In this paper, we propose an unsupervised learning approach for anomaly detection in SAR imaging. The proposed model combines a preprocessing despeckling step, a $\beta$-\textit{annealing} Variational Auto-Encoder (VAE) for unsupervised anomaly filtering, and an anomaly detector based on the change of the covariance matrix at the input and output of the $\beta$-\textit{annealing} VAE network. Experiments have been carried out on X-band ONERA polarimetric SAR images to demonstrate the effectiveness of Beta-Annealing VAE compared with the methods proposed in the literature.

Dans ce papier, nous proposons une approche non supervisée pour la détection d'anomalies en imagerie SAR. Le modèle proposé combine une étape de \textit{despeckling} en pré-traitement, un Auto-Encodeur Variationnel (VAE) de type $\beta$-\textit{annealing} pour filtrer les anomalies de manière non supervisé et un détecteur d'anomalies basé sur le changement de la matrice de covariance en entrée et en sortie du réseau de $\beta$-\textit{annealing} VAE. Des expériences ont été menées sur des images polarimétriques SAR de l'ONERA en bande X pour démontrer l'efficacité du Beta-Annealing VAE par rapport aux méthodes proposées dans la littérature.

Fichier principal
Vignette du fichier
GRETSI_2025.pdf (7.75 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05235797 , version 1 (02-09-2025)

Licence

Identifiants

  • HAL Id : hal-05235797 , version 1

Citer

X Huy Nguyen, Chengfang Ren, Jérémy Fix, Jean-Philippe Ovarlez, Joana Frontera-Pons. VAE pour la détection d'anomalies en imagerie SAR. GRETSI 2025, Aug 2025, Strasbourg, France. ⟨hal-05235797⟩
325 Consultations
220 Téléchargements

Partager

  • More