DeepInSAR—A Deep Learning Framework for SAR Interferometric Phase Restoration and Coherence Estimation
Notice bibliographique
Résumé
Over the past decade, using Interferometric Synthetic Aperture Radar (InSAR) remote sensing technology for ground displacement detection has become very successful. However, during the acquisition stage, microwave signals reflected from the ground and received by the satellite are contaminated, for example, due to undesirable material reflectance and atmospheric factors, and there is no clean ground truth to discriminate these noises, which adversely affect InSAR phase computation. Accurate InSAR phase filtering and coherence estimation are crucial for subsequent processing steps. Current methods require expert supervision and expensive runtime to evaluate the quality of intermediate outputs, limiting the usability and scalability in practical applications, such as wide area ground displacement monitoring and predication. We propose a deep convolutional neural network based model DeepInSAR to intelligently solve both phase filtering and coherence estimation problems. We demonstrate our model’s performance using simulated and real data. A teacher-student framework is introduced to handle the issue of missing clean InSAR ground truth. Quantitative and qualitative evaluations show that our teacher-student approach requires less input but can achieve better results than its stack-based teacher method even on new unseen data. The proposed DeepInSAR also outperforms three other top non-stack based methods in time efficiency without human supervision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».