基于执行器蒙特卡洛孪生策略的卫星图像超分辨率
计算机视觉与模式识别
2020-04-09 v1
摘要
过去几年中，监督学习与对抗学习已被广泛采用于各种复杂计算机视觉任务。自然令人好奇人工智能另一分支——即通常所称的强化学习（RL）——能否惠及此类复杂视觉任务。在本研究中，我们探索RL在遥感图像超分辨率中的可行用途。受近期超分辨率进展的引导，我们提出一个融合监督学习与强化学习优势的理论框架。我们认为，直接实施RL不足以应对病态超分辨率问题，因为动作变量并未完全已知。为解决此问题，我们提出以矩阵参数化动作变量，并使用蒙特卡洛采样训练策略网络。我们从理论与经验角度研究了无模型环境中参数化动作空间的含义。此外，我们在遥感与非遥感数据集上分析了定量与定性结果。基于实验，我们报告称通过将监督模型封装于强化学习框架中，相较最先进（SOTA）方法取得了显著改进。
引用
@article{arxiv.2004.03879,
title = {Monte-Carlo Siamese Policy on Actor for Satellite Image Super Resolution},
author = {Litu Rout and Saumyaa Shah and S Manthira Moorthi and Debajyoti Dhar},
journal= {arXiv preprint arXiv:2004.03879},
year = {2020}
}
备注
Computer Vision and Pattern Recognition (CVPR) Workshop on Large Scale Computer Vision for Remote Sensing Imagery