Despeckling of SAR Images Using Residual Twin CNN and Multi-Resolution Attention Mechanism

Blaž Pongrac (Avtor), Dušan Gleich (Avtor)

Povzetek

The despeckling of synthetic aperture radar images using two different convolutional neural network architectures is presented in this paper. The first method presents a novel Siamese convolutional neural network with a dilated convolutional network in each branch. Recently, attention mechanisms have been introduced to convolutional networks to better model and recognize features. Therefore, we propose a novel design for a convolutional neural network using an attention mechanism for an encoder–decoder-type network. The framework consists of a multiscale spatial attention network to improve the modeling of semantic information at different spatial levels and an additional attention mechanism to optimize feature propagation. Both proposed methods are different in design but they provide comparable despeckling results in subjective and objective measurements in terms of correlated speckle noise. The experimental results are evaluated on both synthetically generated speckled images and real SAR images. The methods proposed in this paper are able to despeckle SAR images and preserve SAR features.

Ključne besede

radarji;globoko učenje;konvolucijske nevronske mreže;synthetic aperture radar;speckle;speckle suppression;despeckling;deep learning;convolutional neural network;

Podatki

Jezik:	Angleški jezik
Leto izida:	2023
Tipologija:	1.01 - Izvirni znanstveni članek
Organizacija:	UM FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Založnik:	MDPI
UDK:	621.39
COBISS:	161242883
ISSN:	2072-4292
Št. ogledov:	280
Št. prenosov:	17
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Slovenski jezik
Sekundarni povzetek:	V tem članku smo predstavilo odstranjevanje pegastega šuma slik s sintetično odprtino z uporabo dveh različnih arhitektur konvolucijskih nevronskih mrež. Prva metoda predstavlja novo siamsko konvolucijsko nevronsko mrežo z razširjeno konvolucijsko mrežo v vsaki veji. Nedavno so bili v konvolucijska omrežja uvedeni mehanizmi pozornosti za boljše modeliranje in prepoznavanje funkcij. Zato predlagamo novo zasnovo za konvolucijsko nevronsko mrežo z uporabo mehanizma pozornosti za omrežje tipa kodirnik dekodirnik. Ogrodje je sestavljeno iz večstopenjskega omrežja prostorske pozornosti za izboljšanje modeliranja semantičnih informacij na različnih prostorskih ravneh in dodatnega mehanizma pozornosti za optimizacijo širjenja značilnosti. Obe predlagani metodi se razlikujeta po zasnovi, vendar zagotavljata primerljive rezultate odstranjevanja pegastega šuma pri subjektivnih in objektivnih meritvah v smislu koreliranega pegastega šuma. Eksperimentalni rezultati so ovrednoteni tako na sintetično ustvarjenih pegastih slikah kot na resničnih slikah SAR. Metode, predlagane v tem dokumentu, lahko odstranijo pegasti šum iz slik SAR in ohranijo bistvene lastnosti slik SAR.
Sekundarne ključne besede:	radarji;globoko učenje;konvolucijske nevronske mreže;
Vrsta dela (COBISS):	Znanstveno delo
Strani:	25 str.
Letnik:	ǂVol. ǂ15
Zvezek:	ǂiss. ǂ14, [article no.] 3698
Čas izdaje:	2023
DOI:	10.3390/rs15143698
ID:	22967190