Multiresolution Analysis Pansharpening Based on Variation Factor for Multispectral and Panchromatic Images From Different Times
Notice bibliographique
Résumé
Most pansharpening methods refer to the fusion of the original low-resolution multispectral (MS) and high-resolution panchromatic images (PAN) acquired simultaneously over the same area. Due to its good robustness, multiresolution analysis (MRA) has become one of the important categories of pansharpening methods. However, when only MS and PAN images acquired at different times can be provided, the fusion results from current MRA methods are often not ideal due to the failure to effectively analyze multitemporal misalignments between MS and PAN images from different times. To solve this issue, MRA pansharpening based on variation factor for MS and PAN images from different times is proposed. The multi-resolution analysis pansharpening based on dual-scale regression model is first established, and the variation factor is then introduced to effectively analyze the multitemporal misalignments by using alternating direction method of multipliers (ADMM), yielding the final fusion results. Experiments with synthetic and real datasets show that the proposed method exhibits significant performance improvement compared to the traditional pansharpening methods, as well as the state-of-the-art MRA methods. Visual comparisons demonstrate that the variation factor introduces encouraging improvements in the compensation of multi-temporal misalignments in ground objects and advances pansharpening applications for MS and PAN images acquired at different times.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».