Apprentissage profond dans la fusion de données de télédétection multimodales : une revue complète

Avec les avancées extrêmement rapides de la technologie de télédétection (RS), une grande quantité de données d'observation de la Terre (EO) présentant une hétérogénéité considérable et complexe est désormais facilement disponible, ce qui offre aux chercheurs l'opportunité d'aborder les applications en géosciences d'une manière nouvelle. Grâce à l'utilisation conjointe des données EO, de nombreuses recherches sur la fusion de données RS multimodales ont réalisé d'énormes progrès ces dernières années, mais ces algorithmes traditionnels développés rencontrent inévitablement un goulot d'étranglement de performance en raison de leur incapacité à analyser et interpréter de manière exhaustive des données fortement hétérogènes. Par conséquent, cette limitation non négligeable suscite une demande intense pour un outil alternatif doté de puissantes compétences de traitement. L'apprentissage profond (DL), en tant que technologie de pointe, a connu des percées remarquables dans de nombreuses tâches de vision par ordinateur grâce à sa capacité impressionnante à représenter et reconstruire les données. Naturellement, il a été appliqué avec succès dans le domaine de la fusion de données RS multimodales, générant de grandes améliorations par rapport aux méthodes traditionnelles. Cette enquête vise à présenter une vue d'ensemble systématique de la fusion de données RS multimodales basée sur l'apprentissage profond. Plus précisément, certaines connaissances essentielles sur ce sujet sont d'abord fournies. Ensuite, une enquête littéraire est réalisée pour analyser les tendances de ce domaine. Certains sous-domaines courants dans la fusion de données RS multimodales sont ensuite examinés en termes de modalités de données à fusionner, c'est-à-dire spatiospectrale, spatiotemporelle, détection et télémétrie par laser-optique, radar à synthèse d'ouverture-optique et fusion de données Geospatial Big Data RS. De plus, nous collectons et résumons quelques ressources précieuses pour le développement de la fusion de données RS multimodales. Enfin, les défis restants et les directions futures potentielles sont soulignés.