DeepInSAR：一种用于SAR干涉相位恢复与相干性估计的深度学习框架
图像与视频处理
2020-05-28 v2 计算机视觉与模式识别
摘要
在过去十年中，干涉合成孔径雷达(InSAR)已成为一种成功的遥感技术。然而，在采集步骤中，卫星接收到的微波反射通常受到强噪声干扰，导致单视复数(SLC)SAR图像充满噪声。其干涉相位的质量甚至更差。InSAR相位滤波是一个不适定问题，并在后续处理中起着关键作用。然而，现有大多数方法通常需要专家监督或运行时间过长，这限制了其在广域监测和预测等实际应用中的可用性和可扩展性。在这项工作中，我们提出了一种基于深度卷积神经网络(CNN)的模型DeepInSAR，以智能地同时解决相位滤波和相干性估计问题。我们使用模拟和真实数据展示了我们的DeepInSAR。针对真实世界InSAR数据没有真值样本的问题，我们提出了一个教师-学生框架。定量和定性比较表明，DeepInSAR在新的测试数据集上取得了与其基于堆叠的教师方法相当甚至更好的结果，但所需的SLC对更少，并且优于其他三种已建立的非堆叠方法，运行时间更短且无需人工监督。
引用
@article{arxiv.1909.03120,
title = {DeepInSAR: A Deep Learning Framework for SAR Interferometric Phase Restoration and Coherence Estimation},
author = {Xinyao Sun and Aaron Zimmer and Subhayan Mukherjee and Navaneeth Kamballur Kottayil and Parwant Ghuman and Irene Cheng},
journal= {arXiv preprint arXiv:1909.03120},
year = {2020}
}
备注
19 pages