MRFusion：一种融合全色与多光谱影像进行土地覆盖制图的深度学习架构
计算机视觉与模式识别
2018-07-02 v1
摘要
如今，地球观测系统提供大量异构遥感数据。如何利用其互补性来管理这种丰富性是现代遥感分析中的关键挑战。数据融合技术通过提出结合并利用不同数据传感器间互补性的方法来处理这一点。考虑光学甚高空间分辨率（VHSR）图像，卫星以不同空间分辨率获取多光谱（MS）与全色（PAN）图像。VHSR图像被广泛用于生成土地覆盖图，以应对农业、生态和社会经济问题，以及评估生态系统状态、监测生物多样性和为粮食风险监测系统提供输入。从此类VHSR图像生成土地覆盖图的常用技术通常选择对多分辨率源进行先验全色锐化以进行全分辨率处理。在此，我们提出一种新的深度学习架构，联合使用PAN和MS影像进行直接分类，无需任何先验图像融合或重采样过程。通过在原生空间分辨率上处理光谱信息，我们的方法（名为MRFusion）旨在避免由全色锐化或任何其他手工预处理引起的可能信息损失。此外，所提架构经过适当设计以学习源的非线性变换，明确目的在于尽可能利用PAN与MS影像的互补性。实验在两个描绘具有不同土地覆盖特征的大面积区域的真实场景上进行。所提场景的特征凸显了我们的方法在业务化设置中的适用性与通用性。
引用
@article{arxiv.1806.11452,
title = {MRFusion: A Deep Learning architecture to fuse PAN and MS imagery for land cover mapping},
author = {Raffaele Gaetano and Dino Ienco and Kenji Ose and Remi Cresson},
journal= {arXiv preprint arXiv:1806.11452},
year = {2018}
}