Une proposition pour améliorer la détection de satellites à faible rapport signal-sur-bruit (SNR)
consiste à utiliser une chaîne de traitement débruiteur–détecteur. Un tel pipeline permet
d’améliorer le rapport signal-bruit des données issues des capteurs, de sorte qu’un détecteur
heuristique léger et interprétable puisse identifier de manière fiable les cibles. Cette approche
offre une bonne explicabilité du processus de détection tout en améliorant potentiellement le
rappel. Les approches modernes montrent que les U-Nets résiduels offrent un excellent
compromis entre performance de débruitage et efficacité en temps de calcul, ce qui en fait des
candidats idéaux pour cette tâche. Les réseaux résiduels de type DnCNN (Denoising
Convolutional Neural Network) constituent une alternative compacte, adaptée aux
environnements embarqués. Lorsque les données d’entraînement propres sont rares ou
indisponibles, des stratégies auto-supervisées telles que Noise2Void et Noise2Self permettent
d’obtenir un débruitage de haute qualité en utilisant uniquement des exemples bruités.
Dans le domaine de la connaissance de la situation spatiale (SSA), une réduction efficace du
bruit améliore directement la détection des satellites. Une meilleure suppression du fond
permet l’identification d’objets plus petits et plus faibles, y compris à haute altitude ou dans des
conditions d’observation défavorables. Elle renforce également la calibration photométrique,
essentielle pour déterminer la taille, la forme et les propriétés de rotation des objets spatiaux
résidents (RSO) à partir de la lumière qu’ils réfléchissent.
L’entraînement consiste à ajouter progressivement du bruit aux images et à apprendre au
réseau à inverser cette dégradation. À travers des milliers de cycles aller-retour, le DDNN
apprend à distinguer les composantes structurées (par exemple, les traînées d’étoiles ou les
motifs du détecteur) du bruit aléatoire non modélisé. Dans Waldmann et al. (2023), une
démonstration montre les excellentes performances de cette technique pour isoler les signaux
réels des artefacts du capteur. Après traitement, le bruit du détecteur est supprimé tandis que
le signal du satellite reste clairement visible. Le rapport signal-bruit augmente d’environ 60 %,
améliorant significativement les capacités de détection Dans le cadre de ce stage, l’objectif est d’explorer des approches DNN et leurs impact en terme de rappel et précision une fois combinées à des algorithmes de détection basés sur des heuristiques.

. Vous avez une expérience en Python;
· Vous avez des bases solides en traitement du signal et de l’image;
· Vous avez de bonnes compétences orales et écrites en français et en anglais;
· Vous avez une bonne culture du monde de l’aérospatial.