論文の概要: Grid-Reg: Grid-Based SAR and Optical Image Registration Across Platforms
- arxiv url: http://arxiv.org/abs/2507.04233v1
- Date: Sun, 06 Jul 2025 03:43:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.078195
- Title: Grid-Reg: Grid-Based SAR and Optical Image Registration Across Platforms
- Title(参考訳): Grid-Reg: グリッドベースSARとプラットフォーム間の光画像登録
- Authors: Xiaochen Wei, Weiwei Guo, Zenghui Zhang, Wenxian Yu,
- Abstract要約: 本稿では,グリッドベースの多モード登録フレームワーク(Grid-Reg)を提案する。
我々のGrid-Regは、正確なキーポイント対応ではなく、検出不要なマッチングとグローバルな損失に基づいている。
実世界のUAV MiniSARデータとGoogle Earthの光学画像を用いて、SAR-to-optical registrationの新しい挑戦的なベンチマークデータセットをキュレートする。
- 参考スコア(独自算出の注目度): 15.780384238431743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Registering airborne SAR with spaceborne optical images is crucial for SAR image interpretation and geo-localization. It is challenging for this cross-platform heterogeneous image registration due to significant geometric and radiation differences, which current methods fail to handle. To tackle these challenges, we propose a novel grid-based multimodal registration framework (Grid-Reg) across airborne and space-born platforms, including a new domain-robust descriptor extraction network, Hybrid Siamese Correlation Metric Learning Network (HSCMLNet) and a grid-based solver (Grid-solver) for transformation parameters estimation. Our Grid-Reg is based on detector-free and global matching loss rather than accurate keypoint correspondences. These accurate correspondences are inherently difficult in heterogeneous images with large geometric deformation. By Grid-Solver, our Grid-Reg estimates transformation parameters by optimizing robust global matching loss-based patch correspondences of whole images in a coarse-to-fine strategy. To robustly calculate the similarity between patches, specifically that have noise and change objects, we propose HSCMLNet, including a hybrid Siamese module to extract high-level features of multimodal images and a correlation learning module (CMLModule) based equiangular unit basis vectors (EUBVs). Moreover, we propose a manifold loss EUBVsLoss to constrain the normalized correlation between local embeddings of patches and EUBVs. Furthermore, we curate a new challenging benchmark dataset of SAR-to-optical registration using real-world UAV MiniSAR data and optical images from Google Earth. We extensively analyze factors affecting registration accuracy and compare our method with state-of-the-art techniques on this dataset, showing superior performance.
- Abstract(参考訳): 航空機搭載SARと宇宙搭載光学画像の登録は、SAR画像の解釈と地理的局在化に不可欠である。
このクロスプラットフォームな異種画像の登録は、現在の方法では処理できない、幾何的および放射的差が大きいため困難である。
これらの課題に対処するために、新しいドメイン・ロバスト・ディスクリプタ抽出ネットワーク、Hybrid Siamese correlation Metric Learning Network(HSCMLNet)、および変換パラメータ推定のためのグリッド・ベース・ソルバ(Grid-solver)を含む、空中および宇宙生まれのプラットフォームにまたがるグリッドベースの新しいマルチモーダル登録フレームワーク(Grid-Reg)を提案する。
我々のGrid-Regは、正確なキーポイント対応ではなく、検出器フリーでグローバルなマッチング損失に基づいている。
これらの正確な対応は、大きな幾何学的変形を持つ異種画像では本質的に困難である。
Grid-Solverにより、Grid-Regは、全体像のロバストなグローバルマッチングロスベースのパッチ対応を粗大な戦略で最適化することにより、変換パラメータを推定する。
ノイズや変更対象を持つパッチ間の類似性を頑健に計算するために,マルチモーダル画像の高次特徴を抽出するハイブリッドなSiameseモジュールと,相関学習モジュール(CMLModule)に基づく等角単位基底ベクトル(EUBV)を含むHSCMLNetを提案する。
さらに、パッチの局所埋め込みとEUBVの正規化相関を制約するために、多様体損失EUBVsLossを提案する。
さらに,実世界のUAV MiniSARデータとGoogle Earthからの光学画像を用いて,SAR-to-optical registrationの新しい挑戦的ベンチマークデータセットをキュレートする。
登録精度に影響を与える要因を広範囲に分析し,本データセットの最先端技術との比較を行い,優れた性能を示した。
関連論文リスト
- Multi-Level Embedding and Alignment Network with Consistency and Invariance Learning for Cross-View Geo-Localization [2.733505168507872]
CVGL(Cross-View Geo-Localization)は、最もよく似たGPSタグ付き衛星画像を取得することで、ドローン画像のローカライゼーションを決定する。
既存の手法は、モデルの性能を改善する際に、計算と記憶の要求が増大する問題をしばしば見落としている。
マルチレベル・エンベディング・アライメント・ネットワーク(MEAN)と呼ばれる軽量なアライメント・ネットワークを提案する。
論文 参考訳(メタデータ) (2024-12-19T13:10:38Z) - Multi-Head Attention Residual Unfolded Network for Model-Based Pansharpening [2.874893537471256]
展開融合法は、ディープラーニングの強力な表現能力とモデルベースアプローチの堅牢性を統合する。
本稿では,衛星画像融合のためのモデルに基づく深部展開手法を提案する。
PRISMA、Quickbird、WorldView2データセットの実験結果から、本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2024-09-04T13:05:00Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - ATASI-Net: An Efficient Sparse Reconstruction Network for Tomographic
SAR Imaging with Adaptive Threshold [13.379416816598873]
本稿では,解析的反復収縮しきい値決定アルゴリズム(ALISTA)に基づく,効率的なスパース展開ネットワークを提案する。
ATASI-Netの各層における重み行列は、オフライン最適化問題の解法として事前計算される。
さらに、各方位領域画素に対して適応しきい値を導入し、しきい値収縮を層蒸着だけでなく素子的にも可能とする。
論文 参考訳(メタデータ) (2022-11-30T09:55:45Z) - CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳(メタデータ) (2022-07-21T07:50:50Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳(メタデータ) (2021-11-12T16:45:20Z) - LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution
Homography Estimation [52.63874513999119]
クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。
既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。
本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-08T02:51:45Z) - MASA-SR: Matching Acceleration and Spatial Adaptation for
Reference-Based Image Super-Resolution [74.24676600271253]
本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。
提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。
空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
論文 参考訳(メタデータ) (2021-06-04T07:15:32Z) - Spatial--spectral FFPNet: Attention-Based Pyramid Network for
Segmentation and Classification of Remote Sensing Images [12.320585790097415]
本研究では,リモートセンシングデータセットのセグメンテーションと分類のためのアテンションベースのピラミッドネットワークを開発する。
ISPRS Vaihingen と ISPRS Potsdam の高分解能データセットを用いて行った実験は、提案した重み空間FFPNetによる競合セグメンテーション精度を示す。
論文 参考訳(メタデータ) (2020-08-20T04:55:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。