Invariance par permutation et incertitude dans la sur-résolution d'images multitemporelles

Les récentes avancées ont montré comment les réseaux neuronaux profonds peuvent être extrêmement efficaces pour la sur-résolution d'images de télédétection, en partant d'une collection multitemporelle d'images à faible résolution. Cependant, les modèles existants ont négligé le problème de la permutation temporelle, selon lequel l'ordre temporel des images d'entrée ne porte aucune information pertinente pour la tâche de sur-résolution et rend ces modèles inefficaces avec les données de vérité terrain souvent rares disponibles pour l'entraînement. Ainsi, les modèles ne devraient pas apprendre des extracteurs de caractéristiques qui dépendent de l'ordre temporel. Dans cet article, nous montrons comment construire un modèle entièrement invariant à la permutation temporelle améliore considérablement les performances et l'efficacité des données. De plus, nous étudions comment quantifier l'incertitude de l'image sur-résolue afin que l'utilisateur final soit informé de la qualité locale du produit. Nous montrons comment l'incertitude est corrélée avec la variation temporelle dans la série, et comment sa quantification améliore encore davantage les performances du modèle. Les expériences menées sur le jeu de données du défi Proba-V montrent des améliorations significatives par rapport à l'état de l'art sans nécessiter d'autosemblage (self-ensembling), ainsi qu'une meilleure efficacité des données, atteignant les performances du gagnant du défi avec seulement 25% des données d'entraînement.