标签：Convolutional Pansharpening 锐化 Neural 全色 模型 论文 卷积 图像
Pansharpening by Convolutional Neural Networks 论文解析
Q1论文试图解决什么问题？
解决遥感图片的全色锐化问题，传统方法处理遥感图片全色锐化存在诸多问题，本文从Image Super-Resolution Using Deep
Convolutional Networks一文中获取灵感，使用三层网络架构进行遥感图片的全色锐化。
Q2这是否是一个新的问题？
全色锐化方法在此前早有研究，并非新问题，但运用卷积神经网络处理全色锐化问题尚属首次。
Q3这篇文章要验证一个什么科学假设？
卷积神经网络应用到全色锐化问题上可以达到比此前优秀的结果，同时，若在网络中引入先验知识(非线性辐射指数)，能进一步提升模型表现。
Q4有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？
全色锐化是热门问题，已有众多研究，本论文时间段前的全色锐化算法主要可分为如下几类:
- 组件替换算法(component substitution)
- 多分辨率分析
- 基于模型的方法(稀疏表示、变分模型等)
值得关注的研究员:
- 焦李成
- Jocelyn Chanussot
- 张良培
Q5论文中提到的解决方案之关键是什么？
关键在如下3个部分:
- 在模型选择上，使用了SRCNN模型，初始时将低分辨率图像(MS)上采样4倍后，与高分辨率PAN叠加，形成五通道图像作为输入，最后的输出结果为4通道图像。
- 由于不存在真实的测试图像(即高分辨率、高光谱域的全色锐化图像)，因此作者使用wald协议来处理。将原始的PAN和MS均降采样，再将MS上采样，接着与PAN拼接，作为输入。将处理前的原始数据作为参考数据。
- 考虑到第一卷积层的规律性，作者额外加入非线性辐射指数图输入，作为先验知识，引导网络学习。
Q6论文中的实验是如何设计的？
作者在SRCNN网络结构的基础上，探究了不同卷积核个数、不同卷积核大小、是否加入非线性辐射指数图对性能的影响，并将得到的实验结果与经典的全色锐化方法进行比较。
Q7用于定量评估的数据集是什么？代码有没有开源？
选用了三种数据集，分别是Ikonos, GeoEye-1, and WorldView-2，无官方开源的代码，但GitHub上存在第三方实现。
Q8论文中的实验及结果有没有很好地支持需要验证的科学假设？
实验结果支持作者提供的观点。不管在有无加入非线性辐射指数图的情况下，该模型表现均达到了SOTA，在加入非线性辐射指数图后，模型表现有进一步提升。
Q9这篇论文到底有什么贡献？
贡献主要在以下2个方面:
- 首次将卷积神经网络运用于遥感图像的全色锐化算法，效果超过了所有传统方法。
- 证明了使用遥感图像的先验知识能够改善该模型的表现。
Q10下一步呢？有什么工作可以继续深入？
可以将更多先验知识融合到网络中，指导网络学习，或对参考指标选择、损失函数都可以进一步改进研究。
标签：Convolutional,Pansharpening,锐化,Neural,全色,模型,论文,卷积,图像 来源： https://www.cnblogs.com/alex101/p/16558640.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。