کاربرد یادگیری عمیق در سنجش از دور جهت بازسازی تصاویر با وضوح بالا از روی تصاویر با وضوح پایین

وضوح فوق العاده چند تصویری یکی از امیدوارکننده ترین جهت گیری ها در سنجش ازدور است که به یک تکنیک ضروری در بازار ماهواره تبدیل شده است . دنباله ای از تصاویر جمع آوری شده توسط ماهواره ها اغلب دارای نماهای فراوان و بازه زمانی طولانی است ، بنابراین ادغام چندین نما با وضوح پایین در یک تصویر با وضوح بالا با جزئیات به عنوان یک مشکل چالش برانگیز ظاهر می شود. بااین حال، اکثر روشهای وضوح فوق العاده چند تصویری مبتنی بر یادگیری عمیق نمی توانند از چندین تصویر استفاده کامل کنند. مدل ترکیب این روشها قادر به تطبیق با یک توالی تصویر با همبستگی های زمانی ضعیف نیستند. برای مقابله با این مشکلات، یک چارچوب جدید به نام TR-MISR پیشنهاد می شود. این مدل از سه بخش ، رمزگذار مبتنی بر بلوک های باقی مانده، مبدل مبتنی بر مدل ترکیبی و یک رمزگشا مبتنی بر زیر پیکسل پیچشی تشکیل شده است . به طور خاص، با چیدمان مجدد نقشه های ویژگی متعدد در بردارها، مدل ترکیبی می تواند توجه پویا را به همان ناحیه از تصاویر ماهوارهای مختلف به طور هم زمان اختصاص دهد. علاوه بر این ، TR-MISR یک بردار تعبیه شده اضافی را به کار می گیرد که این بردارها بیشترین میزان جزئیات را برمی گردانند. TR-MISR برای اولین بار وظایف مبدل را در وضوح فوق العاده چند تصویری را با موفقیت اعمال کرده است ، مبدل با نادیده گرفتن روابط فضایی قسمت های مختلف تصویر دشواری آموزش را کاهش می دهد. آزمایش های گستردهای که بر روی مجموعه داده های کلوین انجام شد، برتری مدل پیشنهادی را نشان می دهد که یک روش موثر برای مبدل ها در سایر وظایف بینایی سطح پایین ارائه می کند.

کلیدواژه ها:

وضوح فوق العاده چند تصویری ، مبدل ، مدل ترکیبی