Sentinel-1/-2画像の自己監視SAR光学データ融合【JST・京大機械翻訳】

Chen Yuxing; Bruzzone Lorenzo

文献

J-GLOBAL ID：202202281002291102 整理番号：22A0779464

Sentinel-1/-2画像の自己監視SAR光学データ融合【JST・京大機械翻訳】

Self-Supervised SAR-Optical Data Fusion of Sentinel-1/-2 Images

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0779464&from=J-GLOBAL&jstjournalNo=H0016B") }}

著者 (2件)： ,
資料名：
巻： 60 ページ： ROMBUNNO.5406011.1-11 発行年： 2022年
JST資料番号： H0016B ISSN： 0196-2892 CODEN： IGRSD2 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

膨大な量のラベル無しマルチセンサデータ(例えば合成開口レーダ(SAR)と光学画像)によって提供される相補的情報の効果的組合せは,リモートセンシングにおける重大な問題である。最近,コントラスト学習法は多視点データから意味のある特徴表現を得ることにおいて顕著な成功に達した。しかし,これらの方法は,土地被覆マッピングのような高密度予測タスクに対する要求を満足できない画像レベル特徴のみに焦点を合わせる。本研究では,SAR-光データ融合と土地被覆マッピングタスクのための自己監督フレームワークを提案した。SARと光学画像は,画像レベルとスーパーピクセルレベルのマルチビューコントラスト損失を用いて,それらの可能な戦略の1つに従って融合される:初期,中間,および遅い戦略。土地被覆マッピングタスクのために,画像自体の事前訓練された特徴とスペクトル情報の共同利用によって,各画素を土地被覆クラスに割り当てる。実験結果は,提案した方式が同等の精度を達成するだけでなく,画像レベルコントラスト学習法に関して特徴の次元も低減することを示した。3つの融合戦略の中で,中間融合戦略は最良の性能を達成した。ピクセルレベル融合手法とスペクトル指数に関する自己訓練の組合せは,特にスパース擬似ラベルで,画像レベル融合アプローチに関して土地被覆マッピングタスクにおける更なる改良をもたらす。これらの結果を再現するコードはhttps://github.com/yusin2it/SARoptical_fusionで見出される。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

写真測量,空中写真 , リモートセンシング一般

, , ,

前のページに戻る