L. , J. Et, and M. Sylvain, Propagation des ondes radioélectriques, Introduction, 1997.

L. , G. , and H. Löwy, «Verfahren zum nachweis unterirdischer erzlager oder von grundwasser mittels elektrischer wellen», German Patent No. 246836, p.13, 1910.

L. , G. , and H. Löwy, «Verfahren zur systematischen erforschung des erdinnern größerer gebiete mittels elektrischer wellen», German Patent No. 237944, p.13, 1910.

N. , M. N. , J. D. Corbett, and F. C. Frischknecht, Electromagnetic methods in applied geophysics, 1987.

N. , E. , A. Martin-espanol, J. Lapazaran, M. Grabiec et al., 2014, «Ice volume estimates from ground-penetrating radar surveys, wedel jarlsberg land glaciers, svalbard», ARCTIC ANTARCTIC AND ALPINE RESEARCH, vol.46, issue.2, pp.10-1657

R. , S. J. Et, and J. J. Daniels, «Ground penetrating radar polarization and scattering from cylinders», Journal of Applied Geophysics, vol.45, issue.28, pp.926-985100023, 2000.

S. , F. Et, and F. Rejiba, «Géoradar principes et applications», Techniques de l'ingénieur Applications radars, n o ref. article : te5228, p.32, 2010.

S. , S. Et, and W. Al-nuaimy, «Radius estimation for cylindrical objects detected by ground penetrating radar», Subsurface Sensing Technologies and Applications, vol.6, pp.151-166, 2005.

T. , G. P. , C. Perll, M. Baker, and M. W. Becker, 2015, «Cross-polarized GPR imaging of fracture flow channeling», Journal of Earth Science, vol.26, issue.6, pp.776-784

Z. , S. , J. Wang, Y. Li, S. Yi et al., «A circular measurement for linearly polarized ground penetrating radar to map subsurface crossing cylinders», dans Geoscience and Remote Sensing Symposium, IEEE International, pp.1426-1429, 2013.

A. , W. , Y. Huang, M. Nakhkash, M. Fang et al., «Automatic detection utilities and solid objects with GPR using neural networks and pattern recognition», Journal of Applied Geophysics, vol.43, issue.114, pp.2-4, 2000.

C. , P. Et, and S. J. Delany, «k-nearest neighbour classifiers», cahier de recherche, p.102, 2007.

D. , N. Et, and B. Triggs, «Histograms of oriented gradients for human detection», dans Computer Vision and Pattern Recognition, CVPR '05, IEEE Computer Society, vol.116, pp.886-893, 2005.

F. , Y. Et, and R. E. Schapire, «A decision-theoretic generalization of on-line learning and an application to boosting», Journal of Computer and System Sciences, vol.55, issue.1, pp.119-139, 1997.

H. , B. , P. Ho, and T. Poggio, «Face recognition with support vector machines: global versus component-based approach», dans Computer Vision, Proceedings. Eighth IEEE International Conference on, pp.688-694, 2001.

K. , W. , K. Ngamaschariyakul, C. Chantaraviwat, K. Janvittayanuchit et al., «A thai license plate localization using svm», pp.163-167, 2014.

L. , Q. V. , R. Monga, M. Devin, G. Corrado et al., «Building high-level features using large scale unsupervised learning», 1112.

L. , Y. Et, and Y. Bengio, «Convolutional networks for images, speech, and time series», The handbook of brain theory and neural networks, pp.10-115, 1995.

M. , C. Et, and J. Schmalzl, 2013, «Using pattern recognition to automatically localize reflection hyperbolas in data from ground penetrating radar», Computers and Geosciences, vol.58, pp.116-125

M. , S. Et, and Z. Zhang, «Matching pursuit with time-frequency dictionaries», IEEE Transactions on Signal Processing, vol.41, pp.3397-3415, 1993.

R. , H. A. , S. Baluja, and T. Kanade, «Neural network-based face detection», IEEE Trans. Pattern Anal. Mach. Intell, vol.20, issue.113, pp.23-38, 1998.

W. Shao, A. Bouzerdoum, and S. L. Phung, 2013, «Sparse representation of GPR traces with application to signal classification», IEEE TGRS, vol.51, issue.127, pp.3922-3930

S. , S. Et, and W. Al-nuaimy, «Radius estimation for cylindrical objects detected by ground penetrating radar», Subsurface Sensing Technologies and Applications, vol.6, pp.151-166, 2005.

S. , F. , L. Denis, C. Fournier, É. Thiébaut et al., «Inverse problem approach for particle digital holography: accurate location based on local optimisation», Journal of the Optical Society of America A, vol.24, issue.137, pp.1164-1171, 2007.

L. Van-der-maaten, G. E. Et, and . Hinton, «Visualizing high-dimensional data using t-sne», Journal of Machine Learning Research, vol.9, pp.2579-2605, 2008.

V. , P. Et, and M. J. Jones, «Robust real-time face detection», International Journal of Computer Vision, vol.57, issue.116, pp.137-154, 2004.

A. Mazaheri and J. , Sparse representations and dictionary learning for the compression and the classification of satellite images, Theses, Université Rennes 1. URL https, 2015.

B. , J. , J. Luc-starck, J. M. Fadili, Y. Moudden et al., «Morphological component analysis: An adaptive thresholding strategy», IEEE Transactions on Image Processing, vol.16, issue.147, pp.2675-2681, 2007.

B. , S. , N. Parikh, E. Chu, B. Peleato et al., «Distributed optimization and statistical learning via the alternating direction method of multipliers», Found, Trends Mach. Learn, vol.3, issue.1, pp.1-122, 2011.

B. , H. Et, and S. Lucey, 2014, «Optimization methods for convolutional sparse coding»

C. , J. , E. J. Candès, and Z. Shen, «A singular value thresholding algorithm for matrix completion», SIAM J. on Optimization, vol.20, issue.156, pp.1956-1982, 2010.

C. , E. J. , X. Li, Y. Ma, and J. Wright, «Robust principal component analysis?, J. ACM, vol.58, issue.148, pp.11-12, 2011.

C. , E. J. Et, and B. R. , «Exact matrix completion via convex optimization», p.160, 2008.

C. , E. J. Et, and T. Tao, «Decoding by linear programming», IEEE Transactions on Information Theory, vol.51, issue.149, pp.4203-4215, 2005.

C. , R. , J. Principe, and N. R. , «A fast proximal method for convolutional sparse coding», dans Neural Networks (IJCNN) The 2013 International Joint Conference on, pp.1-5, 2013.

D. , D. L. , Y. Tsaig, I. Drori, and J. L. Starck, 2012, «Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit», IEEE Transactions on Information Theory, vol.58, issue.2, pp.1094-1121

E. , M. Et, and M. A. , «Image denoising via learned dictionaries and sparse representation» , dans Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, vol.1, pp.895-900, 2006.

F. , M. J. , J. L. Starck, J. Bobin, and Y. Moudden, 2010, «Image decomposition and separation using sparse representations: An overview», Proceedings of the IEEE, pp.983-994

G. , D. , X. Jiang, and Y. Ye, «A note on the complexity of l p minimization», Mathematical programming, vol.129, issue.2, pp.285-299, 2011.

M. , S. Et, and Z. Zhang, «Matching pursuit with time-frequency dictionaries», IEEE Transactions on Signal Processing, vol.41, pp.3397-3415, 1993.

P. , M. S. , J. Larsen, U. Kjems, and L. C. Parra, «A survey of convolutive blind source separation methods», dans Springer Handbook of Speech Processing, 2007.

P. , D. Et, and S. Venkatesh, «Joint learning and dictionary construction for pattern recognition» , dans Computer Vision and Pattern Recognition, CVPR 2008. IEEE Conference on, pp.1-8, 2008.

S. , B. , M. P. Acheroy, A. Vander, and . Vorst, «Migration technique based on the time-domain model of the ground penetrating radar», pp.111-119, 2001.

W. Shao, A. Bouzerdoum, and S. L. Phung, 2013, «Sparse representation of GPR traces with application to signal classification», IEEE TGRS, vol.51, issue.7, pp.3922-3930

Z. , M. Et, and B. A. Pearlmutter, «Blind source separation by sparse decomposition in a signal dictionary», Neural Computation, vol.13, issue.4, pp.863-882, 2001.

B. , S. , N. Parikh, E. Chu, B. Peleato et al., «Distributed optimization and statistical learning via the alternating direction method of multipliers» «Optimization methods for convolutional sparse coding» «A fast proximal method for convolutional sparse coding», dans Neural Networks (IJCNN) The 2013 International Joint Conference on, pp.1-122, 2011.

H. , A. Iv, and C. Le-bastard, Géodétection des réseaux enterrés par imagerie radar, mémoire de maîtrise, Institut de Physique du Globe de Paris, spécialité Géophysique de surface et subsurface Apport de techniques de traitement du signal super et haute résolution à l'amélioration des performances du radar-chaussée, 2007.

R. Résolution-en-profondeur-?p-et-latérale-?l, Émission d'une onde réfléchie par trois objets et enregistrée par le récepteur, p.26

B. Extraits-du and F. Johansson, Échantillonnage pseudo temps réel, p.30, 2014.

C. Du, Radargramme acquis avec un géoradar IDS équipé d'une antenne 200MHz et 600MHz sur la zone de grave naturelle de l'aire d'essais actuelle, p.44

C. Du, Radargramme acquis avec un géoradar IDS équipé d'une antenne 200MHz et 600MHz sur la zone de sable de l'aire d'essais actuelle, p.44

C. Du, Radargramme acquis avec un géoradar IDS équipé d'une antenne 200MHz et 600MHz sur la zone de calcaire de l'aire d'essais actuelle, p.45

P. Extrait-de, Spectres d'amplitude normalisés du clutter et des branches d'hyperboles caractérisés par des sinus cardinaux à des fréquences temporelles nulles (a) et à des fréquences temporelles différentes de 0, p.57, 2006.

C. Propriété, Représentation plus parcimonieuse des contours à partir des curvelets (b) que pour des ondelettes classiques (a) (Y. ZHANG et collab, 2010.

.. Décomposition-multi-Échelle-dans-l-'algorithme-de-tcdr-dans-le-domaine-fréquentiel-d-'un-radargramme-y, La fonction marche en bleu et en rouge représente respectivement le calcul du filtre passe-bas et passe-haut 2D. La zone hachurée montre les coefficients de Fourier rejetés par les filtres alors que ceux conservés sont situés dans la zone blanche, p.74

C. Calcul-d-'un-coefficient, Valeur élevée du clutter en gris; En gris foncé : le clutter de haute énergie. En gris clair : l'arrière-plan de faible énergie. La partie hachurée en rouge : intersection entre l'atome à la position (x i ,t i ) et le clutter, p.122

.. Schéma-illustrant-l-'étape-d, extraction de vignettes suite aux résultats de la méthode de Poursuite de vecteur qui seront ensuite utilisées en entrée d'un classifieur Au final, une image binaire est obtenue correspondant aux positions des vignettes dont un blob a été détecté, p.127

U. Radargrammes and G. , Résultats de détection automatique d'hyperboles et d'estimation de leurs formes sur cinq radargrammes. On présente le radargramme d'origine (colonne de gauche), le résultat du prétraitement (colonne centrale) et le résultat de la détection, p.132

I. Radargrammes, Résultats de détection automatique d'hyperboles et d'estimation de leurs formes sur cinq radargrammes. On présente le radargramme d'origine (colonne de gauche), le résultat du prétraitement (colonne centrale) et le résultat de la détection, p.133

.. Exemple-d-'atomes-composant-le-dictionnaire, Les trois premiers atomes permettront de décrire les formes hyperboliques du radargramme alors que le quatrième atome décrira le clutter, p.157

.. En-fonction-du-poids-?, Évolution du niveau de parcimonie des coefficients S (normalisé ) en bleu; Évolution de l'erreur de reconstruction de la matrice de faible rang L en rouge, p.164

G. Radargramme, origine employé dans la méthode proposée de séparation de sources dont les résultats sont illustrés en Figures 5

L. 'une-chaussée-extraite-de, IV B.2 Coupe d'une tranchées pour la pose d'une canalisation de distribution de gaz. . . . IV D.1 Configuration du protocole sur l'aire d'essais; En bleu et rouge la disposition des ficelles sur l'aire d'essais, IX D.2 Déplacement du Géoradar en fonction de la répartition des ficelles. Sur ce schéma n'ont été indiquées que les ficelles correspondant au sens transversal, 2007.

. Profils-géoradar-sur-la-zone and .. Ii-selon-un-déplacement-transversal, Mode XI D.4 Mode d'acquisition de données géoradar sur la Zone II selon un déplacement longitudinal XI E.1 Illustration d'une acquisition non perpendiculaire à l'axe longitudinal de la canalisation en vue du dessus (a) et de côté (b) La section de la canalisation forme une ellipse, .