Cloud removal using SAR and optical images via attention mechanism-based GAN论文翻译

最新推荐文章于 2024-10-15 21:55:48 发布
最新推荐文章于 2024-10-15 21:55:48 发布
阅读量1.3k 收藏 9
点赞数 21
分类专栏： 英文原文直译 文章标签： 生成对抗网络 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_69854365/article/details/141563100
版权

PRL2023

论文名称 基于注意机制的GAN用于SAR和光学图像去云

论文地址 https://www.sciencedirect.com/science/article/abs/pii/S0167865523002623

代码地址 https://github.com/Shuaizhang7/AttentionGAN-for-Cloud-removal

摘要

        云经常出现在遥感图像，这严重影响了遥感图像的应用。因此，去云是遥感图像应用中一个重要的预处理过程。本文提出了一种基于生成对抗网络的云去除方法光学遥感合成孔径雷达(SAR)图像辅

最低0.47元/天 解锁文章
MCANet: A joint semantic segmentation framework of optical and SAR images for land use classificatio
qq_51659249的博客
02-19 857
深度卷积神经网络 （DCNN） 是对高分辨率遥感影像进行土地利用分类的最有效方法之一。光学与合成孔径雷达（SAR）影像融合的土地利用分类具有广阔的应用前景，但相关研究较少。在本研究中，我们开发了第一个也是最大的联合光学和 SAR 土地利用分类数据集 WHU-OPT-SAR，覆盖面积约为 50,000 km2，并设计了一个多模态交叉注意力网络 （MCANet）。CANet 包括。
Cloud Removal in Optical Remote Sensing ImageryUsing Multiscale Distortion-Aware Networks论文翻译
qq_69854365的博客
04-28 1492
MSDA-CR网络，Cloud Removal in Optical Remote Sensing ImageryUsing Multiscale Distortion-Aware Networks 论文翻译
论文阅读笔记：SAR个光学图像的去云融合
嗑研狗的日常
08-13 2332
Cloud Removal with Fusion of High Resolution Optical and SAR Images Using Generative Adversarial Networks 论文题目：Cloud Removal with Fusion of High Resolution Optical and SAR Images Using Generative Adversarial Networks 论文链接：https://www.mdpi.com/2072-4292/12/
GRSL好论文|基于SAR-光学影像融合的高效卫星影像云去除网络
adhuahd的博客
08-07 1601
混合方法在空间-光谱-时间域中整合至少两种类型的信息，例如基于空间-时间信息的地统计方法、基于光谱-时间信息的低秩方法和基于空间-光谱-时间信息的深度学习方法。设计的端到端云去除网络由两个自下而上的路径组成，即图1中的第一列和第三列，以及一个带有水平连接的自上而下的路径，即图1中的第二列。特征图的底层具有更高的分辨率和低级语义，而特征图的上层则具有较低的分辨率和高级语义。根据用于指导重建的辅助信息，这些方法可以分为四类：基于空间信息的方法、基于时间信息的方法、混合方法和基于合成孔径雷达（SAR）的方法。
IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)中深度学习相关文章及研究方向总结
想到好名再改的博客
04-08 9494
本文旨在调研TGRS中所有与深度学习相关的文章，以投稿为导向，总结其研究方向规律等。文章来源为EI检索记录，选取2020到2023年期间录用的所有文章，约4000条记录。同时，考虑到可能有会议转投期刊，模型改进转投或相关较强等情况，本文也添加了这些文章。
西北工业大学计算机学院李映,李映的个人主页-西北工业大学教师个人主页
weixin_30479433的博客
07-05 1466
2021年：1.Haokui Zhang, Chengrong Gong,Yunpeng Bai, Zongwen Bai,Ying Li*,3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification，IEEE Transactions on Geoscience and...
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
dengheCSDN的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
CVPR 2017论文
YongqiangGao的专栏
08-16 1万+
近期在看CVPR2017的文章，顺便就把CVPR2017整理一下，分享给大家，更多的 Computer Vision的文章可以访问Computer Vision Foundation open access、CVPapers。Machine Learning 1Spotlight 1-1AExclusivity-Consistency Regularized Multi-View Subspace
基于非同源数据的SAR图像生成方法研究完整源码+说明.zip
03-28
【资源说明】 1、该资源内项目代码都是经过测试运行成功，功能正常的情况下才上传的，请放心下载使用。 2、适用人群：主要针对计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、数学、电子信息等)的同学或企业员工下载使用，具有较高的学习借鉴价值。 3、不仅适合小白学习实战练习，也可作为大作业、课程设计、毕设项目、初期项目立项演示等，欢迎下载，互相学习，共同进步！
A deep learning framework for matching of SAR and optical imagery
weixin_43372301的博客
07-15 4032
想要更好的理解这篇文章，可以先看看D2-Net: A Trainable CNN for Joint Description and Detection of Local Features 跟这篇文章很多地方很像。 论文链接：https://arxiv.org/pdf/1905.03561.pdf 代码链接：https://github.com/mihaidusmanu/d2-net 本文链接： 摘要 SAR和光学图像提供了关于观测场景的高度互补的信息。因此，在许多数据融合场景中，联合使用这两种模.
Cloud Removal in Remote Sensing Using Sequential-BasedDiffusion Models论文翻译
qq_69854365的博客
09-18 881
Cloud Removal in Remote Sensing Using Sequential-BasedDiffusion Models论文翻译
多源数据融合 Sar & Optical（一）像素级融合
smile66688的博客
04-05 5244
图像金字塔是多尺度表达的一种，是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐渐降低并且来源于同一张原始图像的集合。通过梯次向下采样获得，直到某个终止条件才停止采样。图像金字塔说白了就是披着金字塔外衣的图像缩放。一般有高斯图像金字塔、拉普拉斯图像金字塔。
Open Source Software for Remote Sensing
IvanLJF的专栏
01-04 3002
转载原地址： http://blog.sina.com.cn/s/blog_7ab297690102w734.htmlANN Approximate Nearest Neighbors (ANN) is a library written in the C++ programming language to support both exact and approximate nearest n
Multi-Head Linear Attention Generative Adversarial Network for Thin Cloud Removal 论文翻译
qq_69854365的博客
09-10 1078
用于薄云去除的多头线性注意力生成对抗网络 论文翻译
[CR]厚云填补_M3R-CR Dataset and Align-CR
iazzz的博客
05-01 1308
去云(Cloud Removal)是遥感领域的一个重要且具有挑战性的问题，近年来在这一领域取得了显著进展。现有数据集的高分辨率图像不可用对生成结构的语义意义缺乏评估本文中介绍了M3R-CR，一个多模态和多分辨率数据融合的高分辨率CR基准数据集。M3R-CR具有全球采样的高分辨率光学观测，与雷达测量和像素级土地覆盖注释相匹配。多分辨率特性所导致的对中误差，以及由于固有成像机制差异等因素导致的高分辨率图像更明显的不对中问题。现有的基于多模态数据融合的方法假设图像对在像素级上精确对齐，因此不适用于该问题。
像素级图像融合综述
SSyangguang的博客
07-21 6911
最近看了一篇17年像素级的图像融合方法综述Pixel-level image fusion: A survey of the state of the art，主要讲了基于多尺度分解和稀疏表示的融合方法，此外还包括评价指标讨论和在遥感、医学、红外可见光、摄影等领域的融合应用总结。文章很长全是字，好不容易才看完，在这里分享一下。 Abstract 像素级图像融合用于多种输入图像的融合，融合得到的图像对于人眼观察或者算法分析来说都提升了信息量，因此在遥感图像、医学影像和暗光数据中应用广泛。本文对像素级图
[CR]厚云填补_大型卫星影像去云数据集
最新发布
iazzz的博客
10-15 1598
卫星图像中的云对下游应用构成了重大挑战。当前云移除研究的一个主要挑战是缺乏一个全面的基准和一个足够大和多样化的训练数据集。为了解决这个问题，我们引入了最大的公共数据集——AllClear，用于云清除，其中包含23,742个全球分布的兴趣区域（roi），具有不同的土地利用模式，总共包含400万张图像。来自Sentinel-2和Landsat 8/9的多光谱光学图像来自Sentinel-1的合成孔径雷达（SAR）图像辅助遥感产品，如云掩模和土地覆盖图。
在SAR-Opt数据融合领域针对深度学习的SEN1-2数据集
weixin_42728143的博客
03-16 1万+
The SEN1-2 Dataset for Deep Learning in SAR-Optical Data Fusion Jul 2018 by M. Schmitt & L. H. Hughes & X. X. Zhu （一） 关键词 合成孔径雷达（SAR）、光学遥感(optical remote sensing)、哨兵一号、哨兵二号、深度学习、数据融合 ...
云检测2020：用于高分辨率遥感图像中云检测的自注意力生成对抗网络Self-Attentive Generative Adversarial Network for Cloud Detection
ssshyeong的博客
07-06 1673
本文提出了一种新的半监督云检测算法，通过训练自注意力生成对抗网络（SAGAN）来提取云图像和无云图像之间的特征差异。我们的主要想法是将视觉注意力引入到生成“真实”无云图像的过程中。SAGAN的训练基于三个指导原则：扩展云区域的注意力地图，用翻译后的无云图像替换；减少注意力地图，使其与云边界重合；优化自注意力网络，以处理极端情况。...
region filling and object removal by exemplar-based image inpainting
04-11
"b'region filling and object removal by exemplar-based image inpainting'是一种基于范例的图像修补方法，可以用来填补图像中的空缺区域或移除图像中的物体。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值