Amélioration de la résolution multi-image des images télédétectées à l'aide de réseaux neuronaux profonds avec attention aux caractéristiques résiduelles

Les Réseaux Neuronaux Convolutifs (RNC ou CNNs) ont constamment démontré des résultats de pointe en Super-Résolution d'Images (SRI ou SR), offrant une opportunité exceptionnelle pour le domaine de la télédétection afin d'extraire davantage d'informations et de connaissances à partir des données capturées. Cependant, la plupart des travaux publiés dans la littérature se sont jusqu'à présent concentrés sur le problème de la Super-Résolution d'Image Unique (SRIU ou Single-Image Super-Resolution). Actuellement, les plateformes de télédétection basées sur satellite offrent une grande disponibilité de données avec une haute résolution temporelle et une faible résolution spatiale. Dans ce contexte, la recherche présentée propose un nouveau modèle d'attention résiduelle (RAMS) qui aborde efficacement la tâche de super-résolution multi-image, exploitant simultanément les corrélations spatiales et temporelles pour combiner plusieurs images. Nous introduisons le mécanisme d'attention aux caractéristiques visuelles avec des convolutions 3D afin d'obtenir une fusion de données consciente et une extraction d'informations des multiples images à faible résolution, dépassant ainsi les limitations de la région locale des opérations convolutives. De plus, disposant de plusieurs entrées représentant la même scène, notre réseau d'apprentissage par représentation fait un usage intensif de connexions résiduelles imbriquées pour permettre le flux des signaux à basse fréquence redondants et se concentrer sur les composantes à haute fréquence plus importantes. Des expérimentations et évaluations approfondies comparées à d'autres solutions disponibles, tant pour la super-résolution mono-image que multi-image, ont démontré que la solution basée sur l'apprentissage profond proposée peut être considérée comme étant de pointe pour la Super-Résolution Multi-Image dans les applications de télédétection.