This paper presents a Bayesian multifractal segmentation method that segments multifractal textures in regions with different multifractal properties. First, a computationally and statistically efficient model for wavelet leaderbased multifractal parameter estimation is developed, assigning wavelet leader coefficients associated with distinct parameters to different image regions. Next, a multiscale graph label prior is introduced to capture spatial and scale correlations among these labels. Gibbs sampling is used to generate samples from the posterior distribution. Numerical experiments on synthetic multifractal images demonstrate the effectiveness of the proposed method, outperforming traditional unsupervised and modern deep learning-based segmentation approaches.

This paper deals with cyclic redundancy check (CRC) decoding when used in the context of non forward error correction (FEC)-encoded IoT systems: CRC decoding remains challenging when combined to continuous phase modulation (CPM). In this paper, a proposed algorithm relying on the candidate diversity principle through a candidate list generation from soft CPM demodulation output combined with CPM-tailored syndrome decoding is evaluated. Applied with Bahl Cocke Jelinek Raviv (BCJR) algorithm for Gaussian minimum shift keying (GMSK) demodulation, it outperforms all existing complexity-affordable methods and performs close to the best evaluated Parallel-List Viterbi Algorithm with usual CRC validation.

In this work, we investigate the design of the parity-check matrix in the recently introduced Syndrome-Based Neural Decoders, which are powerful neural-network-based channel decoders. We show that the structure of the parity-check matrix has a crucial effect on the decoder’s performance, propose an information-theoretic metric to describe this effect, and suggest an algorithm to construct a parity-check matrix accordingly. The results are illustrated both analytically and numerically, showing a considerable performance gain for the proposed design without any increase in training or decoding complexity.

Cet article présente une extension d’une approche plug-and-play pour le recalage de nuages de points 3D. Le problème de recalage de nuages de points 3D est formulé comme un problème inverse, et une approche plug-and-play est utilisée pour conjointement débruiter et recaler les nuages de points. Dans cet article, nous proposons d’optimiser la transformation de recalage en exploitant la structure de groupe de Lie de la transformation rigide SE(3). Des expériences menées sur des nuages de points LiDAR sont présentées mettant en évidence l’amélioration de la méthode par rapport à une méthode existante.

Différentes méthodes d’imagerie satellitaire sont utilisées pour estimer la bathymétrie des lacs. L’enjeu principal réside dans l’établissement d’une relation précise entre la réflectance dans les bandes spectrales observées et la profondeur de l’eau, une tâche complexe dont les incertitudes peuvent affecter la fiabilité des estimations obtenues. Les approches paramétriques, largement utilisées dans la littérature, reposent sur des modèles établis, tandis que des méthodes non paramétriques ont été explorées plus récemment afin de s’affranchir de certaines hypothèses. Dans cet article, nous proposons une approche bayésienne fondée sur les processus Gaussiens, permettant une modélisation probabiliste des relations spectro-bathymétriques ainsi qu’une quantification rigoureuse des incertitudes associées aux estimations de profondeur.

Les missions spatiales nécessitent des capteurs alliant hautes résolutions spatiale et spectrale. Pour ce faire, de nouveaux instruments permettent d’obtenir plusieurs bandes spectrales en une seule acquisition. Cela entraîne cependant un sous-échantillonnage, nécessitant un démosaïquage pour reconstruire les images complètes. Cet article présente un état de l’art condensé des méthodes de démosaïquage pouvant être appliquées à un motif de 25 bandes spectrales et évalue leurs performances sur une image réelle du cratère Humboldt situé sur la Lune. Cette analyse montre que les approches itératives et par démélange offrent les meilleures performances en termes de fidélité spectrale et spatiale.

This paper studies a new variational Bayesian marginalized particle filter for estimating the state vector of a jump Markov nonlinear system (JMNLS) with unknown measurement noise parameters. Conjugate priors are assigned to the variables indicating the system mode of the JMNLS and the measurement noise parameters, which are regarded as unknown parameters. According to the marginalized particle filter, the unknown parameters are marginalized from the joint posterior distribution of the state and the unknown parameters of the JMNLS. The posterior distribution of the state is then approximated by using an appropriate particle filter, and the posterior distributions of the system mode and the measurement noise parameters conditionally on each state particle are calculated by using variational Bayesian inference. A simulation study is conducted to compare the proposed method with state-of-the-art approaches in the context of a modified nonlinear benchmark model and radar target tracking.

Cet article présente un nouvel algorithme EM (Expectation-Maximization) pour le recalage robuste de nuages de points 2D–3D issus d’une caméra et d’une carte de référence. Nous nous intéressons à l’estimation conjointe des paramètres d’intérêt (i.e., orientation et position de la caméra), de la proportion d’observations aberrantes et de la variance du bruit de mesure. L’approche proposée repose sur un modèle statistique intégrant des variables latentes permettant de gérer les associations inconnues entre points 2D, points 3D et observations aberrantes, via un modèle de mélange. Des résultats obtenus à partir de données synthétiques montrent l’intérêt de cette démarche en termes de rapidité de convergence de l’algorithme proposé et de robustesse face aux mesures aberrantes.

Les observations de phase de la porteuse dans les récepteurs GNSS permettent un positionnement au centimètre près mais sont affectées par un bruit de phase supposé qui suit une distribution de von Mises, dégradant la performance des estimateurs. Nous proposons une approche novatrice contraignant les paramètres de von Mises—localisation angulaire et dispersion—dans l’espace du groupe de Lie SO(2) × R+. Un estimateur du maximum de vraisemblance sur groupes de Lie, résolu via un algorithme de Newton, améliore la rigueur mathématique et la précision, notamment avec peu d’observations, par rapport aux méthodes euclidiennes.

Les séries temporelles d’images SAR polarimétriques Sentinel-1 (S1) sont cruciales pour analyser les changements environnementaux. La détection de la déforestation, associée à un point de changement dans une série temporelle, doit surmonter les défis liés à la saisonnalité et au caractère aléatoire de la réflectivité des environnements forestiers. Cet article propose une méthode bayésienne appliquée à des séries temporelles de données SAR, exploitant les propriétés polarimétriques partielles des mesures S1 pour une meilleure détection. Les résultats réels montrent que le modèle surpasse les modèles bivariés standards, les méthodes à polarisation unique et une méthode existante basé sur l’imagerie optique.