Jul, 2019

使用卷积神经网络对 PROBA-V 图像进行超分辨率处理

PDF
TL;DR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。
proba-vearth observationmulti image super-resolutionconvolutional neural networkmachine learning
发现论文，激发创造
  • 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

  • 关于卫星图像超分辨率的深度网络训练

    本研究通过实验研究发现，训练数据对超分辨率重建性能有很大影响，特别是对于卫星图像，而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法，因此，改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。

    Jun, 2019

  • Sentinel-2 影像的超分辨率：学习一个全球通用的深度神经网络

    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。

    Mar, 2018

  • 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

  • 使用单幅图像超分辨率生成高分辨率的气候变化预测

    本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。

    Mar, 2017

  • 超分辨率的深入探究：一份综述

    比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

    Apr, 2019

  • MODIS 地表温度超分辨率的卷积神经网络建模

    本论文研究了如何使用深度学习算法，特别是多重残差 U-Net 模型，对 MODIS LST 遥感图像进行超分辨率处理，从而实现将遥感图像从 1Km 提高到 250m 的像素分辨率。实验结果表明，多重残差 U-Net 模型表现优于其他目前主流的方法。

    Feb, 2022

  • 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

  • 卫星影像快速超分辨率的深度与非深度方法融合

    该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

    Aug, 2020

  • 基于条件像素合成的卫星图像时空超分辨率

    通过丰富、廉价、低分辨率的卫星图像，提出一种新的条件像素合成模型，生成准确的高分辨率图像，以帮助解决高分辨率图像采集不足和成本过高等问题；该模型能够用于改善物体计数等重要应用，特别是在地理条件快速变化的地区。

    Jun, 2021