論文の概要: Beyond Backscatter: InSAR coherence from detected SAR images

• arxiv url: http://arxiv.org/abs/2606.07374v1
• Date: Fri, 05 Jun 2026 15:18:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.812375
• Title: Beyond Backscatter: InSAR coherence from detected SAR images
• Title（参考訳）: Beyond Backscatter: 検出されたSAR画像からのInSARコヒーレンス
• Authors: Francescopaolo Sica, Andrea Pulella, Michael Schmitt,
• Abstract要約: 残留U-Netは、正確にコアギスターされたSentinel-1 SLCデータから得られたコヒーレンスマップを用いて訓練される。 このネットワークは、様々な地理的な場所をまたいで、訓練時に見たことのない異なる時間的ベースラインをまたいでも、うまく一般化している。
• 参考スコア（独自算出の注目度）: 3.5282605743520215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a deep learning framework for coherence regression directly from detected SAR images, without the need for accurate coregistration. A Residual U-Net is trained using coherence maps derived from precisely coregistered Sentinel-1 SLC data to learn the relationship between backscatter magnitudes and coherence. The model is trained on 12-day SLC pairs and evaluated across different datasets, including coregistered SLC products and open access analysis-ready data, covering diverse radiometric properties, geometries, and locations. Experimental results demonstrate that the proposed method achieves high-resolution coherence regression with improved accuracy compared to existing intensity-based approaches. The network generalizes well across diverse geographical locations and even across different temporal baselines that were never seen at training time. Additionally, the ability to operate on globally available analysis-ready data, such as ground range detected data, e.g., distributed through Google Earth Engine, enables its large-scale application in mission design, change monitoring, and diverse mapping tasks.
• Abstract（参考訳）: 本研究では,検出されたSAR画像から直接コヒーレンス回帰を行うためのディープラーニングフレームワークを提案する。 残留U-Netは、正確にコアギスターされたSentinel-1 SLCデータから得られたコヒーレンスマップを用いてトレーニングされ、後方散乱の大きさとコヒーレンスの関係を学習する。 モデルは12日間のSLCペアに基づいてトレーニングされ、コアギスターされたSLC製品やオープンアクセス分析可能なデータなど、さまざまなデータセットで評価される。 実験により,提案手法は既存の強度ベース手法と比較して精度良く高分解能コヒーレンス回帰を実現することを示した。 ネットワークは、様々な地理的な場所にわたって、トレーニング時に見たことのない異なる時間的ベースラインにわたって、うまく一般化する。 さらに、Google Earth Engineを通じて配布される地上範囲検出データなど、グローバルに利用可能な分析可能なデータで運用できることにより、ミッション設計や変更監視、さまざまなマッピングタスクにおける大規模なアプリケーションが可能になる。

関連論文リスト

• Rank-based Geographical Regularization: Revisiting Contrastive Self-Supervised Learning for Multispectral Remote Sensing Imagery [10.20881592893918]
  自己教師付き学習(SSL)は、大規模でラベルなしのデータセットから学ぶための強力なパラダイムになっています。 SSLをマルチスペクトルリモートセンシング(RS)画像に適用することは、データの地理的および時間的変動による固有の課題と機会を示す。 従来の手法を改良した対照的なSSLの新しい正規化手法であるGeoRankを紹介する。
  論文  参考訳（メタデータ） (2026-01-05T17:24:50Z)
• Adaptive federated learning for ship detection across diverse satellite imagery sources [9.773200978257814]
  各種衛星データを対象とした船体検出におけるフェデレートラーニング(FL)の適用について検討する。 FedOpt、FedProx、FedMedianを含む4つのFLモデルを評価し、ローカルトレーニングベースラインと比較した。 その結果、FLモデルにより、より小さなローカルデータセットのトレーニングよりも検出精度が大幅に向上することが判明した。
  論文  参考訳（メタデータ） (2025-12-12T21:45:57Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• 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)
• GAN-Supervised Dense Visual Alignment [95.37027391102684]
  本稿では,識別モデル学習のためのフレームワークであるGAN-Supervised Learningと,GAN生成した学習データをエンドツーエンドで共同で学習する手法を提案する。 従来のCongealing法にインスパイアされた我々のGANgealingアルゴリズムは、Spatial Transformerを訓練し、不整合データに基づいて訓練されたGANのランダムなサンプルを共通の目標モードにマッピングする。
  論文  参考訳（メタデータ） (2021-12-09T18:59:58Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。