用于卫星图像的单幅图像超分辨率切换引导混合网络
图像与视频处理
2020-12-01 v1 计算机视觉与模式识别
摘要
卫星图像的主要缺点是分辨率低，低分辨率使得难以识别卫星图像中存在的物体。我们在 SpaceNet 数据集上试验了多种可用于单幅图像超分辨率(SISR)的深度学习模型，并评估了它们各自在卫星图像数据上的性能。我们将深入探讨过去几年中深度模型在 SISR 背景下的近期演进，并呈现这些模型间的比较研究。一个区域的整幅卫星图像被划分为等尺寸块。每个块将独立用于训练。这些块的性质会有所不同。例如，城市区域上的块由于车辆、建筑、道路等不同类型物体而具有非均匀背景。另一方面，丛林上的块性质上更均匀。因此，不同深度模型将适配不同种类的块。在本研究中，我们将借助切换卷积网络进一步探索这一点。其思想是训练一个切换分类器，自动将块分类到最适合它的某一类模型中。
引用
@article{arxiv.2011.14380,
title = {Single Image Super-resolution with a Switch Guided Hybrid Network for Satellite Images},
author = {Shreya Roy and Anirban Chakraborty},
journal= {arXiv preprint arXiv:2011.14380},
year = {2020}
}