多模态遥感数据融合中的深度学习：综合性综述
计算机视觉与模式识别
2022-05-04 v1 机器学习
信号处理
摘要
随着遥感（RS）技术的极速发展，大量具有显著且复杂异质性的地球观测（EO）数据如今随手可得，这为研究者以全新方式应对当前地球科学应用提供了契机。借助 EO 数据的联合利用，多模态 RS 数据融合研究近年取得巨大进展，但这些传统算法因缺乏全面分析与解译强异质数据的能力而不可避免地遭遇性能瓶颈。因此，这一不可忽视的局限进一步激发了对具备强大处理能力的替代工具的强烈需求。深度学习（DL）作为前沿技术，凭借其在数据表示与重建上的卓越能力，已在众多计算机视觉任务中取得瞩目突破。自然地，它已成功应用于多模态 RS 数据融合领域，相较传统方法带来大幅改进。本综述旨在对基于 DL 的多模态 RS 数据融合进行系统性概览。具体而言，首先给出该主题的一些基础知识；随后开展文献调研以分析该领域趋势；接着按待融合数据模态（即时空-光谱、时空-时间、激光雷达-光学、合成孔径雷达-光学以及 RS-地理空间大数据融合）评述若干主流子领域；此外，我们收集并总结了若干宝贵资源以促进多模态 RS 数据融合的发展；最后，指出了剩余挑战与潜在未来方向。
引用
@article{arxiv.2205.01380,
title = {Deep Learning in Multimodal Remote Sensing Data Fusion: A Comprehensive Review},
author = {Jiaxin Li and Danfeng Hong and Lianru Gao and Jing Yao and Ke Zheng and Bing Zhang and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2205.01380},
year = {2022}
}