Résumé
La segmentation des images SAR est essentielle pour la détection des plans d'eau, mais l'apprentissage profond se heurte souvent à la complexité statistique de ces données, affectant la convergence. Cette étude évalue l'intégration de la normalisation des modes (MN) dans les modèles U-Net et SegNet pour accélérer l'entraînement. Nos résultats montrent que la MN réduit drastiquement le temps de convergence : 8 époques pour U-NetMN contre 33 pour l'original, et un gain de 104 secondes pour SegNetMN. La validation croisée révèle une stabilité accrue, les modèles normalisés limitant les fluctuations de performance (IoU, DSC) entre 2% et 11%, contre plus de 30% pour SegNet standard. Ces travaux soulignent l'efficacité de la normalisation pour optimiser le coût computationnel et la robustesse de la segmentation SAR.