Sentinel-2 图像超分辨率：学习一种全局适用的深度神经网络
计算机视觉与模式识别
2018-10-23 v2 机器学习
摘要
Sentinel-2 卫星任务提供包含 13 个光谱波段的多光谱影像，以三种不同空间分辨率获取。本研究旨在将较低分辨率（20 m 和 60 m 地面采样距离——GSD）波段超分辨至 10 m GSD，从而获得最大传感器分辨率的完整数据立方体。我们采用最先进的卷积神经网络（CNN）执行端到端上采样，该网络以较低分辨率数据训练，即分别从 40->20 m、360->60 m GSD。通过这种方式，通过对真实 Sentinel-2 图像进行下采样，可获得几乎无限的训练数据。我们使用在全球广泛地理区域采样的数据，以获得能泛化至不同气候区和土地覆盖类型的网络，并可在无需重新训练的情况下对任意 Sentinel-2 图像进行超分辨率。在定量评估中（在较低尺度下，有真实值可用），我们称为 DSen2 的网络在 RMSE 上优于最佳竞争方法近 50%，同时更好地保留了光谱特性。其在完整 10 m GSD 下也给出了视觉上令人信服的结果。代码见 https://github.com/lanha/DSen2。
引用
@article{arxiv.1803.04271,
title = {Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network},
author = {Charis Lanaras and José Bioucas-Dias and Silvano Galliani and Emmanuel Baltsavias and Konrad Schindler},
journal= {arXiv preprint arXiv:1803.04271},
year = {2018}
}
备注
19 pages, 11 figures