Apr, 2023

基于 Stockwell 散射网络的 SAR 图像变化检测

PDF
TL;DR本研究利用 Stockwell 变换提出了 Stockwell 散射网络（SSN）作为一种合成孔径雷达（SAR）图像变化检测的方法，该方法结合了 WS​​N 和 FSN 的优点，并在 SAR 图像变化检测方面取得了最新的技术成果。实验结果表明，所提出的方法在三个真实的 SAR 图像数据集上表现出了很好的性能。
synthetic aperture radarimage change detectionwavelet scattering networkfourier scattering networkstockwell scattering network
发现论文，激发创造
  • 使用卷积神经网络进行 SAR 图像除斑

    本研究提出了一种基于深度学习的方法，即图像去斑卷积神经网络（ID-CNN），用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点，并使用欧几里得损失和总变分损失的组合进行端到端的训练，与现有的非常规斑点降噪方法相比，在合成和实际 SAR 图像上都取得了显著的改进效果。

    Jun, 2017

  • 卷积神经网络去噪 SAR 图像

    利用卷积神经网络学习判别模型以去噪 SAR 图像，该网络采用残差学习策略，训练时考虑多时相 SAR 图像及其多视版本，实验结果表明，与现有技术相比，该方法表现更好。

    Apr, 2017

  • 不变散射卷积网络

    利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

    Mar, 2012

  • 混合表示学习的散射网络

    本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

    Sep, 2018

  • 使用 CNN 从 SAR 图像生成高质量可见光图像

    本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

    Feb, 2018

  • 可学习的小波神经网络用于宇宙学推断

    应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

    Jul, 2023

  • 使用参数对数双树小波散射网络高效卷积神经网络学习

    本文提出了一种用 DTCWT ScatterNet 卷积神经网络来改善训练的方法，通过将 CNN 的前几层替换为参数基于 log 的 DTCWT ScatterNet，可以提取基于边缘的不变表示，从而使后续的 CNN 网络学习更高层次的特征。在 CIFAR-10 和 Caltech-101 数据集上，该方法的训练效率得到了显著提升，并且与预训练的 CNN 前端相比等效性能。

    Aug, 2017

  • 基于 Swin Transformer 和特征增强特征金字塔网络的 SAR 船舶检测

    本研究提出了一种基于 Swin Transformer 和特征增强特征金字塔网络（FEFPN）的 SAR 船舶检测方法，使用 Swin Transformer 作为支撑来建模长距离依赖性并生成分层特征图。使用 FEFPN 逐步增强所有级别的特征图的语义信息，特别是浅层特征图，以进一步提高特征图的质量。在 SAR 船舶检测数据集（SSDD）上的实验表明了我们提出的方法的优越性。

    Sep, 2022

  • 基于注意力机制的卫星图像散射网络

    利用散射变换从多通道卫星图像中提取高级特征，并引入分离方案以关注独立输入通道，通过实验对热带气旋强度估计和卫星图像中雷电预测显示出有希望的结果。

    Oct, 2022

  • SDF2Net: 极化合成孔径雷达图像分类的浅层到深度特征融合网络

    在这项研究中，我们提出了一种新的复合值卷积神经网络（Complex-valued CNN）--- Shallow to Deep Feature Fusion Network（SDF2Net），用于极化合成孔径雷达图像分类，并通过对多个最新方法使用的 AIRSAR 数据集和 ESAR Oberpfaffenhofen 数据集进行对比，结果表明该方法在整体准确度上有所改善，并分别在 AIRSAR 数据集提高了 1.3% 和 0.8%，在 ESAR 数据集提高了 0.5%。对 Flevoland 数据的分析进一步证明了 SDF2Net 模型的有效性，即使仅使用 1% 的采样比例，也达到了 96.01% 的有希望的整体准确度。

    Feb, 2024