Mehrere-Bilder-Superauflösung von Fernerkundungsdaten mit Residueller Merkmalsaufmerksamkeitstiefen Neuronalen Netzen

Faltungsneuronale Netze (CNNs) haben sich kontinuierlich als Stand der Technik bei der Bild-Super-Resolution (SR) erwiesen und stellen eine außergewöhnliche Gelegenheit für das Fernerkundungsfeld dar, um weitere Informationen und Wissen aus erfassten Daten zu extrahieren. Dennoch konzentrierten sich die meisten bisher veröffentlichten Arbeiten auf das Problem der Einzelbild-Super-Resolution. Derzeit bieten satellitengestützte Fernerkundungsplattformen große Datenverfügbarkeit mit hoher zeitlicher Auflösung und niedriger räumlicher Auflösung. In diesem Kontext schlägt die präsentierte Forschung ein neues Residual Attention Model (RAMS) vor, das die Aufgabe der Mehrbild-Super-Resolution effizient bewältigt, indem es gleichzeitig räumliche und zeitliche Korrelationen nutzt, um mehrere Bilder zu kombinieren. Wir führen den Mechanismus der visuellen Merkmalsaufmerksamkeit mit 3D-Faltungen ein, um eine bewusste Datensynthese und Informationsextraktion aus mehreren Niedrigauflösungsbildern zu erreichen, was die Beschränkungen des lokalen Bereichs von Faltungsoperationen überwindet. Darüber hinainaus nutzen wir bei mehreren Eingaben derselben Szene unser Repräsentationsschwellennetzwerk intensiv verschachtelte Residualverbindungen, um redundante Niederfrequenzsignale fließen zu lassen und die Berechnung auf wichtigeren Hochfrequenzkomponenten zu fokussieren. Ausführliche Experimente und Bewertungen im Vergleich zu anderen verfügbaren Lösungen, sowohl für Einzelbild- als auch für Mehrbild-Super-Resolution, haben gezeigt, dass die vorgeschlagene tiefenschwellengelernte Lösung als Stand der Technik für Mehrbild-Super-Resolution in Fernerkundungsanwendungen angesehen werden kann.请注意，这里的“Repräsentationsschwellennetzwerk”和“tiefenschwellengelernt”并不是标准的德语词汇。为了更准确地传达原文的意思，建议使用以下更正：“Darüber hinaus nutzen wir bei mehreren Eingaben derselben Szene unser Repräsentationslernnetzwerk intensiv verschachtelte Residualverbindungen, um redundante Niederfrequenzsignale fließen zu lassen und die Berechnung auf wichtigeren Hochfrequenzkomponenten zu fokussieren. Ausführliche Experimente und Bewertungen im Vergleich zu anderen verfügbaren Lösungen, sowohl für Einzelbild- als auch für Mehrbild-Super-Resolution, haben gezeigt, dass die vorgeschlagene tief lernbasierte Lösung als Stand der Technik für Mehrbild-Super-Resolution in Fernerkundungsanwendungen angesehen werden kann.”