Deep learning for embedded image compression in Earth Observation

Aprentissage profond pour la compression embarquée d'images d'observation de la Terre La nouvelle génération de satellites permet l’acquisition d’images avec des résolutions spectrales et spatiales toujours plus grandes. La contrepartie est qu’une quantité croissante de données doit être traitée et transmise au sol. La compression embarquée d’images devient donc cruciale pour préserver la bande passante du canal de transmission et réduire le temps de transmission des données. Récemment, les réseaux de neurones convolutifs ont montré des résultats exceptionnels pour la compression d’images avec perte par rapport aux schémas de compression traditionnels, au prix d’une complexité de calcul élevée. Les architectures basés sur l’autoencodeur sont entraînés de bout en bout, tirant parti de grandes bases de données et de la puissance de calcul disponible sur de puissants clusters. Par conséquent, les contributions potentielles et la faisabilité des techniques d’apprentissage profond pour la compression embarqué d’images satellitaires suscitent un grand intérêt. Dans ce contexte, néanmoins, les ressources de calcul sont soumises à de sévères limitations: un compromis entre performances de compression et complexité doit être établi. Dans cette thèse, l’objectif principal est d’adapter les architectures de compression appris à la compression embarquée, de les simplifier et de les entraîner avec des images spécifiques. Dans un premier temps, nous proposons de simplifier au maximum ces architectures tout en préservant des performances élevées, en conservant notamment l’adaptabilité pour traiter des images diverses. Dans un deuxième temps, nous étudions comment de telles architectures peuvent encore être améliorées en agrégeant d’autres fonctionnalités telles que le débruitage. Ainsi, nous avons incorporé le débruitage, soit en considérant les architectures de compression mentionnées ci-dessus pour la compression et le débruitage simultanément, soit en utilisant une approche séquentielle. L’approche séquentielle consiste à utiliser au sol une architecture différente pour débruiter les images compressées issues de l’architecture de compression appris précédent. En réalisant des expériences sur des images satellites simulées mais réalistes,nous montrons que les simplifications proposées pour l’architecture de compression appris entraînent une complexité considérablement moindre tout en maintenant des performances élevées. Tant en compression apprise qu’en débruitage appris aussi, les approches conjointes et séquentielles sont intéressantes et complémentaires, permettant de surpasser les performances du système d’imagerie du CNES, et ouvrant ainsi la voie à des chaines opérationnels de compression et de débruitage des images satellites.