Mar, 2018

Sentinel-2 影像的超分辨率：学习一个全球通用的深度神经网络

PDF
TL;DR本研究旨在将 Sentinel-2 卫星影像的低分辨率（20m 和 60m 采样距离）图像超分辨率重建到 10m 采样距离，采用了基于卷积神经网络的端到端上采样方法，命名为 DSen2，在 RMSE 性能上优于最佳比较方法近 50％，以视觉效果快速重建全分辨率图像。
sentinel-2super-resolutionconvolutional neural networkspectral bandsupsampling
发现论文，激发创造
  • 用于 Sentinel-2 图像融合的全分辨率训练框架

    提出了一个新的无监督框架，用于通过融合 10 米和 20 米波段的 Sentinel-2 图像实现超分辨率的深度学习模型训练。通过避免分辨率降级过程，该方案能够避免在有监督情况下生成训练数据。另外，我们提出了一种合适的损失函数，考虑了网络预测和待融合输入组件之间的循环一致性。尽管它是无监督的，但在我们的初步实验中，该方案与有监督方法相比，已经显示出有希望的结果。此外，通过构建提出的损失函数，所得到的训练网络可以归类为多分辨率分析方法。

    Jul, 2023

  • 利用卷积神经网络对多光谱卫星图像进行超分辨率处理

    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

  • 交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率

    通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。

    Apr, 2024

  • 利用超分辨率和深度学习提升建筑物语义分割的准确性：研究不同数据集的空间分辨率影响

    利用遥感和深度学习技术开展建筑物语义分割，对空间分辨率的影响进行研究，结果表明较高的空间分辨率对建筑物分割结果具有显著影响，且 0.3 米左右的成本效益最佳。

    Jul, 2023

  • SEN12MS：一份经过整理的、包含地理参考多光谱 Sentinel-1/2 图像数据集，为深度学习与数据融合提供支持

    利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

    Jun, 2019

  • 使用卷积神经网络对 PROBA-V 图像进行超分辨率处理

    利用卫星影像数据，本研究提出了一个卷积神经网络模型来实现多图像超分辨率技术，弥补高清晰度影像获取时间间隔较长的缺陷，通过对大量数据进行重建，证明机器学习技术在卫星图像处理中具有应用潜力。

    Jul, 2019

  • 利用探测器重叠进行 Sentinel-2 L1B 遥感图像的无监督超分辨率

    本文提出了一种基于深度学习的单图像超分辨率和波段对齐方法，通过自监督学习方法直接在 Sentinel-2 L1B 数据上进行训练，使用新型的交叉光谱注册网络实现波段对齐，避免了缺乏可靠的高分辨率地面真值的问题，并证明了该方法在合成和现实数据上的性能与监督方法相当。

    Apr, 2023

  • 使用多尺度卷积神经网络从单个 RGB 图像实现准确的光谱超分辨率

    本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从 RGB 观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

    Jun, 2018

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 放大放大：进一步发展遥感超分辨率

    该论文提出了一种针对超分辨率的新度量标准 CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的 L2 损失模型和现代扩散模型，同时将 CLIPScore 作为辅助损失可加快 GANs 的训练速度 18 倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

    Nov, 2023