基于大规模PRISMA数据集的深度学习高光谱全色锐化
图像与视频处理
2023-07-31 v2
摘要
在本工作中，我们评估了多种用于高光谱全色锐化的深度学习策略。首先，我们提出了一个规模大于现有任何前沿数据集的新数据集。该数据集使用ASI PRISMA卫星采集，覆盖约262200 km2，并通过随机采样地球土壤来保证其异质性。其次，我们调整了若干基于深度学习的现有前沿方法以适配PRISMA高光谱数据，并在这一新场景下从定量与定性角度评估了性能。研究包含两种设定：降分辨率（RR）用于在监督环境下评估技术，全分辨率（FR）用于真实世界评估。主要目的在于评估所考虑方法的重建保真度。为完整起见，两种场景下我们也纳入了无机器学习的方法。该广泛分析表明，数据驱动的神经网络方法在RR与FR协议下均优于无机器学习的方法，并更好地适应了高光谱全色锐化任务。
引用
@article{arxiv.2307.11666,
title = {Deep Learning Hyperspectral Pansharpening on large scale PRISMA dataset},
author = {Simone Zini and Mirko Paolo Barbato and Flavio Piccoli and Paolo Napoletano},
journal= {arXiv preprint arXiv:2307.11666},
year = {2023}
}
备注
Project page: https://thezino.github.io/HSbenchmarkPRISMA/