A full-resolution training framework for Sentinel-2 image fusion

要約

この研究では、10 m バンドと 20 m バンドの融合による Sentinel-2 画像の超解像度の深層学習モデルをトレーニングするための新しい教師なしフレームワークを紹介します。
提案されたスキームは、教師ありケースでトレーニング データを生成するために必要な解像度ダウングレード プロセスを回避します。
一方、ネットワーク予測と融合される入力成分の間のサイクル一貫性を考慮した適切な損失が提案されます。
教師なしの性質にもかかわらず、私たちの予備実験では、提案されたスキームは教師ありアプローチと比較して有望な結果を示しました。
さらに、提案された損失を構築することにより、結果として得られるトレーニング済みネットワークは、多重解像度解析手法のクラスに帰属することができます。

要約(オリジナル)

This work presents a new unsupervised framework for training deep learning models for super-resolution of Sentinel-2 images by fusion of its 10-m and 20-m bands. The proposed scheme avoids the resolution downgrade process needed to generate training data in the supervised case. On the other hand, a proper loss that accounts for cycle-consistency between the network prediction and the input components to be fused is proposed. Despite its unsupervised nature, in our preliminary experiments the proposed scheme has shown promising results in comparison to the supervised approach. Besides, by construction of the proposed loss, the resulting trained network can be ascribed to the class of multi-resolution analysis methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google