基于深度学习的多波段信号融合用于三维 SAR 超分辨率
本文提出了一种卷积神经网络方法,以提高移动设备中在近场条件下智能手机合成孔径雷达成像的超分辨率,具有高效率、高分辨率的雷达成像能力。
May, 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
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
该论文介绍了一种基于深度神经网络的雷达数据处理方法,能够提供无混淆的雷达成像和超高分辨率,使用真实模拟数据进行了验证,证明了该方法性能优于现有的子空间算法和机器学习方案,为雷达信号处理提供了很有前途的解决方案。
Jun, 2023
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
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
我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题,通过利用雷达信号处理领域知识,引入创新的数据归一化和基于信噪比的损失函数,实现了适用于汽车雷达成像的定制深度学习网络,表现出了可观的可扩展性、参数效率和快速推理速度,以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实,我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面,超过了现有方法,在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。
Jun, 2024
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