CATSNet：基于 Pol-TomoSAR 数据的森林地区高度估计的上下文感知网络
计算机视觉与模式识别
2024-04-01 v1
摘要
热带森林是全球碳循环的关键组成部分。随着计划于太空任务中部署 BIOMASS 等星力学任务，包括 TropiSAR 和 AfriSAR 等航空任务已成功启动并实验。典型的合成孔径雷达全像制(SarTomography)方法涉及复杂模型、低精度和高计算成本。近年来，深度学习方法在 TomoSAR 框架中也受到关注，显示出有趣的性能。最近，一项基于全连接 Tomographic Neural Network(TSNN)的解决方案在利用 TomoSAR 数据的像素级元素构建的协方差矩阵中，成功地准确估计了森林和地面高度。本工作则超越了像素级方法，定义一种基于上下文信息的深度学习解决方案，命名为 CATSNet。考虑了卷积神经网络以利用块级信息并从邻域中提取特征，而非仅关注单个像素。训练时将 TomoSAR 数据作为输入，将激光雷达值作为 ground truth。实验结果显示，在不同极化模态下利用 MB TomoSAR 数据中的上下文信息，CATSNet 在性能和泛化能力方面显著优于现有技术。
引用
@article{arxiv.2403.20273,
title = {CATSNet: a context-aware network for Height Estimation in a Forested Area based on Pol-TomoSAR data},
author = {Wenyu Yang and Sergio Vitale and Hossein Aghababaei and Giampaolo Ferraioli and Vito Pascazio and Gilda Schirinzi},
journal= {arXiv preprint arXiv:2403.20273},
year = {2024}
}
备注
Submitted to IEEE TGRS, under review