MERLIN est un framework de réduction de bruit pour les images radar syntétiques à haute résolution. Il utilise une stratégie d'apprentissage auto-supervisé pour former des réseaux neuronaux profonds à la réduction du bruit speckle, sans besoin de données de référence. MERLIN prend en compte les corrélations spatiales spécifiques à chaque capteur et mode d'imagerie radar.

Ce projet est un exemple de base pour la construction de solutions AI dans le contexte du projet EU-funded ASSISTANT. Il est écrit en NodeJS et explique les concepts clés de la construction d'une solution AI pour AI4Experiments. Il met en œuvre deux conteneurs différents qui communiquent entre eux via gRPC.

Ce projet vise à développer des opérateurs morphologiques approximatifs basés sur des auto-encodeurs asymétriques. Il permet l'analyse et le traitement d'images, ainsi que la reconnaissance de formes et la détection d'objets.

Implémentation Matlab pour le denoising de séries temporelles SAR en utilisant la moyenne géométrique temporelle, associée à l'article 'On the use and denoising of the temporal geometric mean for SAR time series' publié dans IEEE Geoscience and Remote sensing Letters.

Ce projet implémente une méthode de détection de lignes droites dans les images SAR (Synthetic Aperture Radar) utilisant le rapport de vraisemblance généralisé (GLRT). Cette méthode a été proposée par N.Gasnier, L.Denis, et F.Tupin dans l'article Generalized Likelihood Ratio Tests for Linear Structure Detection in SAR Images (EUSAR 2021).

Ce projet vise à fournir des outils d'analyse et de traitement de données radar à synthèse d'ouverture (SAR). Il permet de détecter des objets et de générer des cartes à partir de ces données. Il est utilisé dans le cadre d'un cours de l'IADF 2023.

Ce projet vise à améliorer la qualité des images radar en réduisant le bruit de speckle grâce à des méthodes variationales basées sur la stratégie plug-and-play. Le débruitage est effectué à l'aide d'un dénoiseur gaussien entraîné pour restaurer des scènes radar corrompues par un bruit gaussien coloré avec des structures de corrélation typiques de divers capteurs radar.

Ce projet vise à améliorer le filtrage du bruit sur les images SAR (Synthetic Aperture Radar) en utilisant des réseaux de neurones profonds et des données multi-temporelles. Il étend une stratégie d'apprentissage auto-supervisé récente, appelée MERLIN, pour le filtrage multi-temporel des images SAR à une dimension complexe.

SAR2SAR est un algorithme d'apprentissage profond conçu pour réduire le bruit de speckle affectant les images radar synthétiques. Il s'appuie sur une stratégie d'auto-supervision en utilisant des séries temporelles multi-temporelles et en adaptant le framework noise2noise. Ce framework permet à l'algorithme d'apprendre à restaurer des images radar en ne regardant que des acquisitions bruitées.

Ce projet propose différentes stratégies pour la réduction de bruit sur les images radar (SAR) en utilisant des réseaux de neurones convolutionnels (CNN). Il analyse l'utilisation de modèles pré-entraînés pour la suppression de bruit additif gaussien et la formation d'un modèle sur des données multitemporelles SAR. Le projet met à disposition des poids de réseaux entraînés pour une utilisation par d'autres chercheurs.