CATSNet: a context-aware network for Height Estimation in a Forested Area based on Pol-TomoSAR data

要約

熱帯林は地球規模の炭素循環の重要な要素です。
林業を監視するバイオマスのような今後の宇宙飛行ミッションの計画により、TropiSAR キャンペーンや AfriSAR キャンペーンを含むいくつかの飛行ミッションが成功裡に開始され、実験が行われています。
一般的な合成開口レーダー断層撮影 (TomoSAR) 手法には、精度が低く、計算コストが高い複雑なモデルが含まれます。
近年、TomoSAR フレームワークでも深層学習手法が注目されており、興味深いパフォーマンスを示しています。
最近、完全接続トモグラフィー ニューラル ネットワーク (TSNN) に基づくソリューションが、TomoSAR データから得られた共分散行列のピクセル単位の要素を利用することにより、森林と地面の高さを正確に推定する際の有効性を実証しました。
この取り組みは、ピクセル単位のアプローチを超えて、CATSNet という名前のコンテキスト認識型ディープ ラーニング ベースのソリューションを定義します。
畳み込みニューラル ネットワークは、パッチベースの情報を活用し、単一のピクセルに焦点を当てるのではなく、近傍から特徴を抽出すると考えられています。
トレーニングは、TomoSAR データを入力として、Light Detection and Ranging (LiDAR) 値をグラウンド トゥルースとして考慮して実行されます。
実験結果は、さまざまな偏光モダリティにわたるマルチベースライン（MB）TomoSAR データ内のコンテキスト情報を活用することで、パフォーマンスと一般化能力の両方において顕著な利点を示し、既存の技術を上回りました。

要約(オリジナル)

Tropical forests are a key component of the global carbon cycle. With plans for upcoming space-borne missions like BIOMASS to monitor forestry, several airborne missions, including TropiSAR and AfriSAR campaigns, have been successfully launched and experimented. Typical Synthetic Aperture Radar Tomography (TomoSAR) methods involve complex models with low accuracy and high computation costs. In recent years, deep learning methods have also gained attention in the TomoSAR framework, showing interesting performance. Recently, a solution based on a fully connected Tomographic Neural Network (TSNN) has demonstrated its effectiveness in accurately estimating forest and ground heights by exploiting the pixel-wise elements of the covariance matrix derived from TomoSAR data. This work instead goes beyond the pixel-wise approach to define a context-aware deep learning-based solution named CATSNet. A convolutional neural network is considered to leverage patch-based information and extract features from a neighborhood rather than focus on a single pixel. The training is conducted by considering TomoSAR data as the input and Light Detection and Ranging (LiDAR) values as the ground truth. The experimental results show striking advantages in both performance and generalization ability by leveraging context information within Multiple Baselines (MB) TomoSAR data across different polarimetric modalities, surpassing existing techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google