Better Coherence, Better Height: Fusing Physical Models and Deep Learning for Forest Height Estimation from Interferometric SAR Data

要約

合成開口レーダー（SAR）の画像からの森林の高さの推定は、多くの場合、伝統的な物理モデルに依存していますが、それは解釈可能でデータ効率が良くなりますが、一般化に苦労する可能性があります。
対照的に、ディープラーニング（DL）アプローチには物理的な洞察が欠けています。
これに対処するために、Cohnetを提案します。これは、両方の世界の最高を組み合わせたエンドツーエンドのフレームワークです。DLは、物理学に基づいた制約で最適化されています。
事前に訓練されたニューラル代理モデルを活用して、独自のトレーニング損失を通じて身体的妥当性を実施します。
私たちの実験は、このアプローチが森林の高さの推定精度を改善するだけでなく、予測の信頼性を高める意味のある機能を生成することを示しています。

要約(オリジナル)

Estimating forest height from Synthetic Aperture Radar (SAR) images often relies on traditional physical models, which, while interpretable and data-efficient, can struggle with generalization. In contrast, Deep Learning (DL) approaches lack physical insight. To address this, we propose CoHNet – an end-to-end framework that combines the best of both worlds: DL optimized with physics-informed constraints. We leverage a pre-trained neural surrogate model to enforce physical plausibility through a unique training loss. Our experiments show that this approach not only improves forest height estimation accuracy but also produces meaningful features that enhance the reliability of predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google