基于双流融合网络的遥感图像融合
本文提出了一种基于 Transformer 模型的卫星图像融合方法,探究 Transformer 在图像特征提取与融合中的潜力,并通过 GaoFen-2 和 WorldView-3 图像的实验表明其在卫星图像融合中具有巨大潜力和性能优势,并超越了许多现有的基于 CNN 的方法。
Mar, 2022
本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务,该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模,实验结果表明,与其他先进方法相比,MSDCNN 可以获得质量更高的图像。
Dec, 2017
提出了使用高分辨率多场景数据集 PanBench 和级联多尺度融合网络(CMFNet)进行高保真度的 Pansharpening,通过对 CMFNet 进行大量实验证实其有效性,并开放了数据集、源代码和预训练模型以促进遥感领域的进一步研究。
Nov, 2023
提出了一种名为 CrossDiff 的跨预测扩散模型,利用自我监督的表示学习方法进行卫星图像的泛光锐化,通过两阶段的训练并与其他方法比较,实验证明了该模型的有效性和优越性,同时验证了其在其他卫星数据集上的泛化能力。
Jan, 2024
本文提出基于深度学习的无需全色图像的全色增强技术方法,通过内置基础边缘轮廓实现对全色图像的无需输入,该方法在高分一号和 WorldView-4 卫星上获得最佳增强效果。
Jun, 2023
本文提出一种使用 CNN 训练的方法,通过低分辨率的多光谱和高分辨率的全色图像瓦片对来创建超分辨率分析图像,其中 RedNet30 架构表现最佳。
Feb, 2020
本文提出一种基于流的 PanFlowNet 网络,通过学习给定 LRMS 图像和 PAN 图像的 HRMS 图像的条件分布,来生成多样的高分辨率多光谱图像。实验结果表明,与其他现有方法相比,PanFlowNet 在可视化和定量方面具有更好的性能。
May, 2023
本文介绍了一种基于全卷积网络的交互式图像分割方法,利用深度学习中的两个子网络进行特征提取和分割,分别包括类特征融合网络和多尺度参数优化器网络。最终,在四个基准数据集上验证出该方法能够和现有的交互式图像分割方法相媲美的性能,同时具有更快速和更高效的模型训练与检验时间。
Jul, 2018
本文提出了一种采用残差学习构建非常深的卷积神经网络来实现全面利用深度学习模型的高非线性性的方法,经过大量高质量多光谱图像的定量和视觉评估,证明我们提出的模型优于比较中包括所有主流算法,达到了最高的空间光谱一致性精度。
May, 2017
本文提出使用三维卷积神经网络(3-D-CNN)的方法来融合多光谱(MS)和高光谱(HS)图像,以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间,并使方法对噪声更具鲁棒性。实验结果表明,与传统方法相比,所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。
Jun, 2017