A Deep Convolutional Neural Network With Multiscale Feature Dynamic Fusion for InSAR Phase Filtering
Notice bibliographique
Résumé
Interferometric phase filtering is a crucial step in the interferometric synthetic aperture radar (InSAR) data processing, which is also important for improving the accuracy of topography mapping and deformation monitoring. Most of the commonly used phase filtering methods perform windowing computations based on the statistical characteristics of a single interferogram in the spatial or frequency domain. However, the difficulty in taking into account the diversity and complexity of the phase image results in filtering methods with weak denoising, limited detail preservation, and poor generalization ability. At the same time, regardless of the spatial or frequency domain, improved phase filtering performance inevitably leads to the problem of declining effectiveness. This paper proposes a phase filtering method (MSFF-DCNN) based on the deep convolution neural network (DCNN) with Multi-scale feature dynamic fusion. Unlike the traditional feedforward neural networks (FNN), the proposed method adopts a strategy of multi-scale feature dynamic fusion that accounts for the deep and shallow features of the interferometric phase while also taking into account image detail preservation and noise suppression during phase filtering. Based on both subjective and objective evaluations, the experimental results using the simulated data prove that the proposed method has better noise suppression and detail preservation than the commonly used methods and that the filtering performance is less dependent on noise level. Experiments using the real data confirm that the proposed method has better generalization ability and can meet the precision requirements of practical applications. The method presented in this paper can provide a new approach for research in high-precision InSAR data processing technology while also offering technical support for practical InSAR applications.
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 ».