Mar, 2024

基于极化多角度合成孔径雷达数据的森林地区高度估计的上下文感知网络

PDF
TL;DR基于深度学习的背景感知解决方案 CATSNet 可通过提取邻域的特征而非单个像素，利用 TomoSAR 数据作为输入和光探测与测距（LiDAR）数据作为真值进行训练，通过跨不同极化模式的多基线（MB）TomoSAR 数据中的上下文信息，实现了在性能和泛化能力方面的显着优势，超越现有技术。
tropical forestssynthetic aperture radar tomographydeep learningtomosar datacontext-aware deep learning
发现论文，激发创造
  • CAD-Net: 远程感知图像中物体的上下文感知检测网络

    本文提出了 CAD-Net，一种新的目标检测网络，利用关注调制特征以及全局和本地上下文来应对使用光学遥感图像进行目标检测的新挑战。实验证明，该网络在两个远程感知图像对象检测数据集上表现良好。

    Mar, 2019

  • 用于精确和低复杂度 SAR ATR 的图神经网络

    本文提出了一种基于图神经网络的低计算复杂度的合成孔径雷达目标识别方法，该方法通过输入修剪和模型修剪两种策略达到了低计算复杂度和较高的分类准确性。

    May, 2023

  • 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

  • 基于轻量级视觉变换器的 SAR 自动目标识别多类别 SAR 图像分类

    合成孔径雷达已广泛应用于多个领域，可以收集有关感兴趣区域的大量信息。最近人工智能的进展使得基于深度学习的 SAR ATR 可以自动从大规模输入数据中识别目标特征。本文尝试将轻量级视觉 Transformer 模型应用于分类 SAR 图像以提高 SAR ATR 的识别准确性，并通过开放数据集验证了整体结构，结果显示该模型比传统网络结构分类结果更准确。

    May, 2024

  • 基于图的 SAR 数据半监督分类主动学习

    使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。

    Mar, 2022

  • MS-Net: 用于合成孔径雷达图像中飞机细粒度分类的多模态自监督网络

    提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

    Aug, 2023

  • 基于感知行为的 SAR 图像解释图神经网络进行人类决策

    我们提出了一种基于图神经网络的自动目标识别框架，该框架不仅可以提供最终的分类类别，还可以输出对应的详细信息，实现了 99.2％的整体准确率，并超越了先前最先进的图神经网络方法。

    Jan, 2024

  • 结合循环和剩余学习的多时相 SAR 图像监测森林破坏

    通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

    Oct, 2023

  • 半监督 SAR ATR 框架中的转导辅助分割

    基于卷积神经网络的合成孔径雷达自动目标识别的半监督框架，通过辅助分割和信息残差损失的训练，利用少量标注样本和未标注样本进行训练来提高识别性能。在 MSTAR 数据集上的实验证明了该方法在少样本学习中的有效性。

    Aug, 2023

  • DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

    本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

    Jun, 2023