The GAN Spatiotemporal Fusion Model Based on Multiscale Convolution and Attention Mechanism for Remote Sensing Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High spatial and temporal resolution remote sensing images are essential for monitoring vegetation, natural disasters, and changes in the ground surface. However, acquiring such images is challenging due to current technical limitations and cost constraints. Spatiotemporal fusion offers an effective and economical solution to achieve high spatial and temporal resolution simultaneously. This article introduces a new generative adversarial network (GAN) spatiotemporal fusion model based on multiscale convolution and attention mechanism for remote sensing images (MSCAM-GAN), to generate high-resolution fused images. The generator in MSCAM-GAN comprises three key components: feature extraction, feature fusion, and image reconstruction. Employing an encoder–decoder architecture, the generator effectively extracts multilevel features, accommodating significant resolution differences between high-resolution and low-resolution images. In the feature extraction stage, multiscale convolutional attention network (MSCAN) captures detailed features across multiple scales, dealing with spatial dependencies and long-distance relationships within the images. During the feature fusion stage, a dual parallel attention feature fusion mechanism is designed to fully integrate the extracted multiscale features. Different attention weights are assigned based on their contributions to the final output, resulting in more accurate predicted images. MSCAM-GAN was tested on the Coleambally irrigated area and lower Gwydir catchment datasets and compared with classic spatiotemporal fusion algorithms. Ablation experiments were conducted to evaluate the effectiveness of the various submodules in MSCAM-GAN. Experimental results and ablation analysis demonstrate the superior performance of the proposed method compared to other approaches.
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.
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 | 0,001 | 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 découle