基于残差特征注意力深度神经网络遥感图像多图像超分辨率
图像与视频处理
2020-11-02 v2 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）在图像超分辨率（SR）中已被持续证明具有最先进的性能，这为遥感领域从所捕获数据中提取更多信息和知识提供了绝佳机会。然而，文献中发表的大部分工作迄今都聚焦于单图像超分辨率问题。目前，基于卫星的遥感平台提供海量数据，具有高时间分辨率和低空间分辨率。在此背景下，本研究提出一种新颖的残差注意力模型（RAMS），有效解决多图像超分辨率任务，同时利用空间与时间相关性来融合多幅图像。我们引入带有 3D 卷积的视觉特征注意力机制，以获得对多幅低分辨率图像的感知数据融合与信息提取，超越卷积操作局部区域的局限。此外，拥有同一场景的多个输入，我们的表示学习网络广泛利用嵌套残差连接，以让冗余低频信号流动并令计算聚焦于更重要的高频成分。针对其他可用方案（单图像或多图像超分辨率）的广泛实验与评估表明，所提出的基于深度学习的方案可被视作遥感应用多图像超分辨率的最先进技术。
引用
@article{arxiv.2007.03107,
title = {Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks},
author = {Francesco Salvetti and Vittorio Mazzia and Aleem Khaliq and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2007.03107},
year = {2020}
}