基于卷积神经网络的单目数字高程模型（DEM）估计——在合成孔径雷达图像上的应用
信号处理
2018-03-15 v1 计算机视觉与模式识别
摘要
合成孔径雷达（SAR）干涉测量（InSAR）采用重复轨道几何配置。InSAR 技术用于估计地球表面的地形重建。距离-多普勒聚焦技术的主要问题是二维 SAR 结果的性质，其受叠掩不确定性影响。为解决此问题，至少需要两次传感器获取，由基线分隔并在交叉斜距方向延伸。然而，鉴于其多时相性质，这些技术除物理平台不稳定性外，还易受大气和地球环境参数变化的影响。此外，要么需要两部雷达，要么需要一个干涉周期（跨度从数天到数周），这使得实时 DEM 估计不可能实现。在这项工作中，作者提出了一种 InSAR 方法的新颖实验替代方案，使用单航获取，采用由深度神经网络实现的数据驱动方法。我们提出一种全卷积神经网络（CNN）编码器-解码器架构，在雷达图像上训练以从单航图像获取估计 DEM。我们在一组 Sentinel 图像上的结果表明，该方法能够在一定程度上学习 DEM 的统计特性。这一探索性分析的结果令人鼓舞，并为用数据驱动方法解决单航 DEM 估计问题开辟了道路。
引用
@article{arxiv.1803.05387,
title = {Towards Monocular Digital Elevation Model (DEM) Estimation by Convolutional Neural Networks - Application on Synthetic Aperture Radar Images},
author = {Gabriele Costante and Thomas A. Ciarfuglia and Filippo Biondi},
journal= {arXiv preprint arXiv:1803.05387},
year = {2018}
}
备注
Accepted for publication in Proceedings of the 12th European Conference on Synthetic Aperture Radar