该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法，其中考虑到了部分缺失的光学模态，所提出的模型采用了两个网络来分别提取每个模态的特征，并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强，可有效开发和利用多模态数据。

Jun, 2023

我们提出了一个跨模态重建网络（CMR-Net），它通过将可微渲染和光学图像的交叉模态监督整合在一起，将高度稀疏的多基线 SAR 3D 目标图像重建为结构化和高分辨率的图像。该网络通过精心设计的网络架构和训练策略，能够在公开可用的仿真数据集和真实测量数据集上实现高分辨率的重建，优于基于压缩感知和其他基于学习的传统稀疏重建算法。此外，使用光学图像作为监督提供了一种经济高效的方式来构建训练数据集，降低了方法传播的难度。我们的工作展示了在多基线 SAR 3D 成像中深度学习的广泛前景，并为基于交叉模态学习理论的雷达成像研究提供了一条新的路径。

Jun, 2024

本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

Apr, 2020

本文介绍了 SARptical 数据集，它是一个包含超过 10000 对对应 TerraSAR-X 高分辨率聚光成像和航空 UltraCAM 光学图像的 SAR 和光学图像裂片的数据集。该数据集为多感知数据分析提供了新机遇，包括在 SAR 和光学图像域中分析成像对象的几何形状、材料和其他属性，以及通过深度学习进行 SAR 和光学图像匹配等更高级的应用。

Jan, 2018

本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017

该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。

Dec, 2022

发布 SEN1-2 数据集以促进 SAR - 光学数据融合领域中深度学习研究的发展，该数据集包括来自全球各地和各个气象季节的 282,384 对相应的图像块，并提供了多种应用示例，如 SAR 图像着色、SAR - 光学图像匹配以及从 SAR 输入数据创建模拟光学图像。

Jul, 2018

利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性，但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中，我们探索了条件表生成对抗网络（CTGAN）作为一种基于深度学习网络的合成数据生成方法，以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明，该方法可以生成高质量的合成数据，显著增加少数类别样本数量，从而提高农作物分类器的性能。

Feb, 2024

SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

Dec, 2023

提出一种深度学习方法 kR-Net，使用混合的双域复值卷积神经网络 (CV-CNN) 融合多频段信号，以实现对复杂目标的高分辨率成像，从而在安全筛查和工业成像领域中具有广阔应用前景。

May, 2023