A review of deep-learning techniques for SAR image restoration
相干斑现象一直是SAR图像分析的主要障碍。斑点噪声抑制方法的发展与图像恢复领域的方法学进展密切相关。深度神经网络的出现为解决这个长期存在的问题提供了新的方法。用于斑点减少的深度学习是一个非常活跃的研究课题，并且已经显示出超过基于补丁、稀疏性、小波变换或总变差最小化概念的前几代方法的恢复性能。本文的目的是给出一个概述的最新工作，并指出了主要的研究方向和当前面临的挑战，深度学习的SAR图像恢复。
2021-01-28 eess.IV
Benchmarking Deep Learning Classifiers for SAR Automatic Target Recognition
University of Southern California（南加州大学）；DEVCOM Army Research Lab（DEVCOM陆军研究实验室）
该研究针对SAR自动目标识别场景，对5种深度学习分类器在3个异质数据集上开展多维度基准测试，发现GNN在吞吐量与延迟上占优，但不存在适配所有指标的通用最优模型。
2023-12-12 cs.CV cs.LG eess.IV
SaRNet: A Dataset for Deep Learning Assisted Search and Rescue with Satellite Imagery
New York University（纽约大学）
近年来，随着几个新星座的投入使用，获得高分辨率卫星图像的机会急剧增加。重访频率高以及分辨率的提高，使卫星图像的使用范围扩大到人道主义救济甚至搜索和救援等领域。我们提出了一种新的遥感对象检测数据集，用于深度学习辅助SaR。该数据集仅包含作为实时SaR响应的一部分被确定为潜在目标的小对象。我们评估了流行的对象检测模型在该数据集上的应用，作为进一步研究的基础。我们还提出了一种新的对象检测度量，专门设计用于深度学习辅助的SaR设置。
2021-08-04 cs.CV eess.IV
Stereo Radargrammetry Using Deep Learning from Airborne SAR Images
Graduate School of Information Sciences, Tohoku University（东京大学信息科学研究生院）
本文提出一种基于深度学习的机载SAR图像立体雷达摄影测量方法，通过构建数据集并微调图像对应模型，结合图块处理与无地面投影插值，实现了更广范围且更精确的高程测量。
2025-05-29 cs.CV eess.IV
HR-SAR-Net: A Deep Neural Network for Urban Scene Segmentation from High-Resolution SAR Data
ETH Zürich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）
越来越多的用户可以通过商业服务提供商获得分辨率达到0.5米/像素的合成孔径雷达数据。对合成孔径雷达数据进行分段仍然需要熟练的人员，这限制了大规模使用的潜力。我们表明，使用深度神经网络（DNN）可以从下一代分辨率SAR数据（0.15 m/px）自动可靠地执行城市场景分割，实现95.19%的像素准确度和74.67%的平均IoU，数据收集区域仅为2.2 km ${}^2$。所提出的DNN不仅有效，而且非常小，只有63 k个参数，计算简单到足以使用单个GPU实现约500 Mpx/s的吞吐量。我们进一步确定，额外的SAR接收天线和多个航班的数据大大提高了分割精度。我们描述了一个程序，用于从多个不准确的建筑物和道路注释生成高质量的分割地面实况，这对实现这些分割结果至关重要。
2023-01-16 cs.CV eess.IV
deSpeckNet: Generalizing Deep Learning Based SAR Image Despeckling
深度学习（DL）已被证明是一种合适的方法来去除合成孔径雷达（SAR）图像的斑点。到目前为止，大多数DL模型都是使用模拟噪声或特定的真实SAR图像集来训练以减少遵循特定分布的斑点，这限制了这些方法对具有未知噪声统计的真实SAR图像的适用性。在本文中，我们提出了一个DL方法，deSpeckNet 1，估计斑点噪声分布和去斑点图像的同时。由于它不依赖于特定的噪声模型，deSpeckNet可以很好地概括各种土地覆盖条件下的SAR采集。我们评估了deSpeckNet在印度尼西亚，刚果民主共和国和荷兰获得的单极化Sentinel-1图像，在日本获得的单极化ALOS-2/PALSAR-2图像和在德国获得的Iceye X2图像上的性能。在所有情况下，deSpeckNet都能够有效地减少斑点并恢复
2020-12-05 eess.IV
Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
Politecnico di Torino（都灵理工大学）
合成孔径雷达（SAR）图像中的相干斑噪声严重影响了图像信息提取，因此相干斑抑制是场景分析算法中的一个重要步骤。深度学习最近的成功设想了新一代的去斑技术，可以超越经典的基于模型的方法。然而，目前用于去斑的深度学习方法需要监督训练，而不可能获得干净的SAR图像。在文献中，这个问题是通过诉诸合成斑点的光学图像，表现出不同的属性，相对于真正的SAR图像，或多时相SAR图像，这是很难准确地获取或融合。在本文中，最近的工作的盲点去噪网络的启发，我们提出了一个自监督贝叶斯去斑方法。所提出的方法是训练只使用噪声SAR图像，因此可以学习真正的SAR图像，而不是合成数据的功能。实验表明，该方法的性能是非常接近的监督训练方法的合成数据和真实数据的定量和视觉评估的优越性。
2020-07-04 cs.CV eess.IV
A deep deformable residual learning network for SAR images segmentation
针对SAR图像目标精确分割问题，本文提出融合可变形卷积与残差学习的深度网络，以保留目标几何轮廓，并在MSTAR数据集上验证其优越性。
2023-08-15 eess.IV
Deep learning networks for selection of persistent scatterer pixels in multi-temporal SAR interferometric processing
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
在多时相合成孔径雷达干涉测量（MT-InSAR）中，持久散射体（PS）像素被用来估计地球物理参数，本质上是变形。传统上，PS像素是基于空间不相关相位分量中存在的估计噪声以及时间干涉堆叠中的视角误差来选择的。在这项研究中，提出了两种深度学习架构，即用于干涉语义分割的卷积神经网络（CNN-ISS）和用于干涉语义分割的卷积长短期记忆网络（CLSTM-ISS），分别基于学习空间和时空行为，用于PS像素的选择。这些网络经过训练，将干涉相位历史与其分类相稳定（PS）和相位不稳定（非PS）测量像素相关，使用不同研究地点的约10，000个真实世界干涉图像，包括人造物体，森林，植被，未开垦土地，水体以及受延长，缩短，停留和阴影影响的地区。使用从Stanford方法获得的训练标签对网络进行训练，用于持续散射体干涉测量（StaMPS）算法。然而，当与R指数和测试数据集的分类图像的组合相比时，像素选择结果表明，与StaMPS和CNN-ISS相比，CLSTM-ISS估计改善了PS和非PS像素的分类。预测结果表明，CLSTM-ISS的预测准确率为93.50%，高于CNN-ISS的预测准确率（89.21%）。与StaMPS和CNN-ISS相比，CLSTM-ISS还提高了可靠PS像素的密度，并且在计算效率方面优于StaMPS和其他传统MT-InSAR方法。
2020-03-11 cs.LG eess.IV stat.ML
An Interpretable Two-Stage Feature Decomposition Method for Deep Learning-based SAR ATR
针对深度SAR ATR黑箱不可解释问题，提出基于物理的两阶段特征分解方法，利用特征解耦判别模块和MLO-NMTF将深度特征转为物理意义明确的独立ASCC，在四个基准上验证了可解释性、鲁棒性与泛化性。
2025-06-11 eess.IV
Exploiting multi-temporal information for improved speckle reduction of Sentinel-1 SAR images by deep learning
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院）；Laboratoire Hubert Curien（于贝尔·居里安实验室）
深度学习方法在SAR振幅图像中的斑点减少方面取得了前所未有的成果。SAR图像的多时间堆栈的广泛可用性可以进一步提高去噪的质量。在本文中，我们提出了一种灵活而有效的方法，将时间信息集成到深度神经网络中以进行斑点抑制。档案提供了进入长时间序列的合成孔径雷达图像，从多时间的平均值可以计算几乎没有剩余的斑点波动。所提出的方法结合了这个多时间的平均值和图像在一个给定的日期的比率图像的形式，并使用一个国家的最先进的神经网络，以消除在这个比率图像的斑点。这种简单的策略被证明提供了一个显着的改善相比，过滤的原始图像没有知识的多时间平均。
2021-02-01 cs.CV eess.IV
RDAnet: A Deep Learning Based Approach for Synthetic Aperture Radar Image Formation
University of Southern California, Information Sciences Institute（南加州大学信息科学研究所）
合成孔径雷达（SAR）成像系统通过从诸如卫星的移动物体朝向感兴趣的目标发射雷达信号来操作。反射的雷达回波被接收，并随后由图像形成算法用于形成SAR图像。在计算机视觉任务中，如分类或自动目标识别，使用SAR图像有很大的兴趣。然而，今天，SAR应用包括多个操作：图像形成，然后是图像处理。在这项工作中，我们训练了一个深度神经网络，它可以执行图像形成和图像处理任务，并集成了SAR处理管道。结果表明，我们的集成管道可以输出准确分类的SAR图像与图像质量相媲美，形成了使用传统的算法。我们相信，这项工作是第一次展示了一个集成的基于神经网络的SAR处理管道使用真实的数据。
2021-02-01 cs.CV eess.IV
Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms
Nirma University（尼玛大学）；Robert Bosch Engineering and Business Solutions Private Limited（博世工程和商业解决方案私人有限公司）；HEC Paris（巴黎高等商学院）
合成孔径雷达（SAR）图像包含了大量的信息量，但由于图像中存在相干斑噪声，实际应用受到限制。近年来，基于深度学习的技术在去噪和图像恢复领域取得了显着进步。然而，由于缺乏适合训练基于深度神经网络的系统的数据，进一步的研究受到了阻碍。在本文中，我们提出了一种标准的方法来生成用于训练斑点减少算法的合成数据，并展示了一个用例来推进这一领域的研究。
2020-04-23 cs.CV eess.IV
A Benchmarking Protocol for SAR Colorization: From Regression to Deep Learning Approaches
Beihang University（北京航空航天大学）；Institute of Methodologies for Environmental Analysis, CNR-IMAA（意大利国家研究委员会环境分析方法研究所）；National Biodiversity Future Center（国家生物多样性未来中心）；Polytechnic University of Catalonia（加泰罗尼亚理工大学）；University of the Bundeswehr（联邦国防军大学）
本文提出首个包含协议、基准和评估的SAR彩色化研究路线，基于cGAN实现灰度SAR图像彩色化并保留空间与辐射信息。
2023-10-12 cs.CV eess.IV
Deep Learning on SAR Imagery: Transfer Learning Versus Randomly Initialized Weights
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对SAR海冰制图中标注数据短缺问题，本文比较了随机初始化训练与微调预训练模型的性能，发现预训练模型效果更优，尤其在融化季节测试样本上表现更好。
2023-10-26 cs.CV eess.IV
Monitoring snow avalanches from SAR data with deep learning
UiT the Arctic University of Norway（挪威北极大学）；NORCE, Norwegian Research Centre AS（挪威NORCE研究中心）
本文综述了利用深度学习从SAR数据中检测和分割雪崩的方法，并通过Sentinel-1数据案例及挪威大规模检测验证了其优于传统方法的性能。
2025-02-25 cs.AI cs.CV eess.IV
Improved Difference Images for Change Detection Classifiers in SAR Imagery Using Deep Learning
Jamk University of Applied Sciences（于韦斯屈莱应用科学大学）
针对SAR图像斑点噪声和采集条件变化影响变化检测的问题，提出基于神经网络映射生成指定条件人工SAR图像并构建差异图像的方法，在芬兰Sentinel-1数据实验中显著优于传统方法。
2023-11-02 cs.CV eess.IV
Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images
Graphics-Visualization-Computing Lab, International Institute of Information Technology Bangalore, Karnataka 560100, India（国际信息学院信息技术研究所，班加罗尔，卡纳塔克邦，印度）；Department of Electronics and Communication Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka 576104, India（电子与通信工程系，曼尼普尔理工学院，曼尼普尔高等教育学院，曼尼普尔，卡纳塔克邦，印度）
本文通过对抗攻击模拟SAR图像人工标注错误，研究U-Net内陆水体分割模型对标签噪声的鲁棒性，发现其能容忍一定程度的污染，并公开了代码、数据集和对抗样本。
2025-05-06 cs.AI cs.CV cs.LG
DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation
Stockholm University（斯德哥尔摩大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
DeepAqua提出一种基于知识蒸馏的自监督语义分割方法，以NDWI为教师模型训练CNN从SAR图像中分割湿地水体，无需人工标注即可实现高精度监测。
2023-09-20 cs.CV cs.LG eess.IV
A Robust Imbalanced SAR Image Change Detection Approach Based on Deep Difference Image and PCANet
College of Microelectronic and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）；Chongqing Key Laboratory of Space Information Network and Intelligent Information Fusion（空间信息网络与智能信息融合重庆市重点实验室）；Lancaster Environment Centre, Lancaster University（兰卡斯特大学兰卡斯特环境中心）；UK Centre for Ecology & Hydrology（英国生态与水文中心）
提出了一种基于深度学习的非均衡多时相合成孔径雷达（SAR）图像变化检测方法。我们的主要贡献是开发了一种新的方法产生的差异图像和并行模糊c-均值（FCM）聚类方法。我们提出的方法的主要步骤如下：1）受深度学习中卷积和池化的启发，基于参数化池化获得深度差异图像（DDI），从而比传统差异图像更好地抑制斑点和增强特征。2)将两个不同参数的Sigmoid非线性映射应用于DDI，得到两个映射的DDI。对这两个映射的DDI使用并行FCM来获得三种类型的伪标记像素，即改变的像素、未改变的像素和中间像素。3)一个PCANet与支持向量机（SVM）进行训练，以分类中间像素改变或不变。三个不平衡多时相SAR图像集用于变化检测实验。实验结果表明，该方法是有效的和强大的不平衡的SAR数据，并实现高达99.52%的变化检测精度优于大多数国家的最先进的方法。
2020-03-03 cs.CV eess.IV
Deep Learning-based Cross-modal Reconstruction of Vehicle Target from Sparse 3D SAR Image
针对稀疏3D SAR图像重建中单模态学习限制性能的问题，提出融合光学信息的跨模态重建网络CMAR-Net，通过可微渲染实现高效训练，在真实大规模停车场实验中结构准确性优于现有方法。
2025-09-11 cs.CV eess.IV
Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes
University of California Berkeley（加州大学伯克利分校）；The Ohio State University（俄亥俄州立大学）；German Aerospace Center DLR（德国航空航天中心）；University of Valencia（瓦伦西亚大学）；National Observatory of Athens（雅典国家天文台）；United Nations Satellite Centre（联合国卫星中心）；University of Oxford（牛津大学）；NVIDIA（英伟达公司）；Universidad de Antioquia（安蒂奥基亚大学）
随着气候变化预计将增加滑坡事件的可能性，人们越来越需要快速滑坡检测技术，以帮助通知应急响应。合成孔径雷达（SAR）是一种遥感技术，可以提供独立于天气或照明条件的受影响地区的测量。然而，SAR的使用受到预处理步骤所必需的领域知识的阻碍，并且其解释需要专家知识。我们提供简化的，预处理的，机器学习准备的SAR数据立方体，用于四个全球定位的滑坡事件，这些滑坡事件是在滑坡触发事件之前和之后从几个Sentinel-1卫星通道获得的，以及滑坡的分割图。从这个数据集，使用日本北海道的数据立方体，我们研究了基于SAR的滑坡检测与监督深度学习（DL）的可行性。我们的研究结果表明，DL模型可以用来检测滑坡的SAR数据，实现了精确度-召回曲线下的面积超过0.7。我们发现，额外的卫星访问提高检测性能，但早期检测是可能的，当SAR数据与地形信息相结合，从数字高程模型。这对于时间紧迫的紧急干预特别有用。代码可在https://github.com/iprapas/landslide-sar-unet上公开获取。
2022-11-05 cs.CV eess.IV eess.SP
DeepInSAR: A Deep Learning Framework for SAR Interferometric Phase Restoration and Coherence Estimation
University of Alberta（阿尔伯塔大学）；vGeomatics Inc.（3v地理信息公司）
在过去的十年中，干涉合成孔径雷达（InSAR）已成为一种成功的遥感技术。然而，在采集步骤中，在卫星上接收到的微波反射通常被强噪声干扰，导致噪声单视复合（SLC）SAR图像。其干涉相位的质量甚至更差。InSAR相位滤波是一个不适定问题，在后续处理中起着关键作用。然而，大多数现有的方法通常需要专家监督或繁重的运行时间，这限制了实际应用的可用性和可扩展性，如广域监测和预测。在这项工作中，我们提出了一个基于深度卷积神经网络（CNN）的模型DeepInSAR智能地解决相位滤波和相干估计问题。我们使用模拟和真实数据演示了我们的DeepInSAR。针对实际InSAR数据没有地面真值样本的问题，提出了一种教师-学生框架。定量和定性比较表明，DeepInSAR在新的测试数据集上实现了与基于堆栈的教师方法相当甚至更好的结果，但需要更少的SLC对，并且优于其他三种基于非堆栈的方法，运行时间更短，无需人工监督。
2020-05-27 cs.CV eess.IV
Fast Super-resolution 3D SAR Imaging Using an Unfolded Deep Network
对于三维合成孔径雷达（SAR）成像，一种典型的方法是在获得一组二维复值图像后，对每个距离-方位像元进行跨航迹一维聚焦。由于其孔径长度有限，且天线位置通常是非均匀分布的，因此跨道聚焦是主要的难点。稀疏正则化方法被广泛用于解决这些问题。然而，这些方法都有明显的局限性。最著名的是他们沉重的计算负担和不满意的稳定性。在这封信中，提出了一种高效的基于深度网络的交叉轨迹成像方法。在训练时，成像过程，即网络的前向传播，由简单的矩阵向量计算和逐元素非线性运算组成，这显著加快了成像速度。此外，我们发现深度网络对噪声和模型误差具有良好的鲁棒性。仿真和实验表明，该方法具有很好的优越性。
2018-08-27 eess.IV eess.SP
Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm
SAR图像受乘性噪声的影响，影响其解释。在过去的几十年中，已经提出了几种SAR去噪方法，并且在过去的几年中，人们的注意力已经转向基于深度学习的解决方案。基于我们最后提出的用于SAR降斑的卷积神经网络，在这里我们利用网络复杂性的影响。更准确地说，一旦数据集被固定，我们就可以根据网络的层数和特征数量来分析网络性能。对模拟数据和实际数据进行了评价。结果表明，更深的网络可以更好地概括模拟图像和真实图像。
2020-06-17 cs.CV eess.IV
SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院 LTCI）；Wuhan University（武汉大学）；Univ Lyon, UJM-Saint-Etienne（里昂大学 圣艾蒂安-让·莫内大学）；CNRS（法国国家科学研究中心）
相干斑抑制是合成孔径雷达（SAR）图像处理中的一个重要课题。许多不同的方案已经提出了恢复的强度SAR图像。在不同的可能的方法中，基于卷积神经网络（CNN）的方法最近已经显示出达到最先进的SAR图像复原的性能。CNN训练需要良好的训练数据：许多对无斑点/斑点损坏的图像。由于无斑点图像的固有稀缺性，这在SAR应用中是一个问题。为了处理这个问题，本文分析了不同的策略，可以采取，这取决于斑点去除任务之一，希望执行和SAR数据的多时相堆栈的可用性。第一种策略将经过训练以从自然图像中去除加性高斯白噪声的CNN模型应用于最近提出的SAR斑点去除框架：MuLoG（多通道对数高斯去噪）。不需要对SAR图像进行训练，该网络很容易应用于斑点抑制任务。第二种策略考虑了一种新的方法来构建一个可靠的数据集的无斑点SAR图像所需的训练的CNN模型。最后，还分析了一种混合方法：用于去除加性高斯白噪声的CNN在无斑点SAR图像上进行训练。所提出的方法相比，其他国家的最先进的斑点去除滤波器，去噪的质量进行评估，并讨论不同的策略的利弊。随着论文的发表，我们提供了训练网络的权重，以便其他研究人员使用。
2020-09-21 cs.CV eess.IV
Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A Preliminary Study
University of Electronic Science and Technology of China（电子科技大学）
近场合成孔径雷达（SAR）利用其较大的孔径角和较宽的发射带宽，可以获得目标散射分布的高分辨率图像。同时，由于旁瓣、杂波和噪声的影响，成像效果不可避免地会受到影响，影响目标信息的提取。为了恢复图像，目前的方法进行简化的假设，例如，点扩散函数（PSF）是空间一致的，目标由稀疏的点散射等，因此，他们实现有限的恢复性能的目标的形状，特别是对于复杂的目标。为了解决这些问题，在这项工作中，对最近有前途的深度学习逆技术进行了初步研究。我们将退化模型转化为空间可变的复卷积模型，其中考虑了近场SAR的系统响应。遵循它，设计了一个基于模型的深度学习网络来恢复图像。构造了一个来自多个复杂目标模型的模拟退化图像数据集来验证网络。所有的图像都是使用电磁仿真工具制定的。在数据集上的实验表明了它们的有效性。与现有方法相比，该方法在目标形状和能量估计方面具有更好的性能。
2022-11-28 cs.CV eess.IV
Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data
Scalian DS
当考虑到收集训练数据集测量值的复杂性时，深度学习在合成孔径雷达（SAR）图像自动目标识别（ATR）中的巨大潜力就消失了。模拟可以通过生成合成训练数据集来克服这个问题。然而，由于模拟的代表性有限，在处理测试时的真实测量时，以传统方式使用合成图像训练的模型具有有限的泛化能力。以前的工作确定了一组同样有前途的深度学习算法来解决这个问题。然而，这些方法已经在非常有利的情况下使用过拟合测量的测试数据的地面实况的合成训练数据集进行了评估。在这项工作中，我们研究ATR问题以外的理想条件，这是不太可能发生在真正的操作环境。我们的贡献是三方面的。(1)使用MOCEM模拟器（由SCALIAN DS为法国国防部/DGA开发），我们生成了一个合成的MSTAR训练数据集，该数据集与实际测量值有很大差异。(2)我们通过实验证明了现有技术的局限性。（3）我们表明，域随机化技术和对抗训练可以结合起来克服这个问题。我们证明，这种方法比最先进的方法更强大，准确率为75%，同时对训练期间的计算性能影响有限。
2022-06-15 cs.CV cs.LG cs.NE
Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product
University of California - Los Angeles（加利福尼亚大学洛杉矶分校）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Joint Institute for Regional Earth System Science and Engineering, University of California - Los Angeles（加利福尼亚大学洛杉矶分校区域地球系统科学与工程联合研究所）
本文基于 OPERA RTC-S1 数据训练无需标签的自监督 vision transformer，通过逐像素基线分布偏差检测地表扰动，并在三地灾害事件中取得优于现有方法的结果。
2025-03-17 cs.CV cs.LG eess.IV
Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning
School of Microelectronics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）；Chongqing Key Laboratory of Space Information Network and Intelligent Information Fusion（重庆市空间信息网络与智能信息融合重点实验室）；Lancaster Environment Centre, Lancaster University（兰卡斯特大学兰卡斯特环境中心）；UK Centre for Ecology & Hydrology（英国生态与水文中心）；Department of Computer Science, Aberystwyth University（阿伯里斯特威斯大学计算机科学系）；Geography and Environmental Science, University of Southampton（南安普顿大学地理与环境科学系）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）
合成孔径雷达（SAR）小区域变化检测是一项极具挑战性的任务。提出了一种基于深度学习的多时相SAR图像小区域变化检测方法。首先，多尺度超像素重建方法被开发来生成差分图像（DI），该差分图像可以有效地抑制斑点噪声，并通过利用局部的、空间均匀的信息来增强边缘。其次，提出了一种两阶段中心约束模糊c均值聚类算法，该算法采用并行聚类策略将DI中的像素分为变化类、不变类和中间类。属于前两个类的图像块然后被构造为伪标签训练样本，并且中间类的图像块被视为测试样本。最后，设计并训练卷积小波神经网络（CWNN）以将测试样本分类为改变的或未改变的类，再加上深度卷积生成对抗网络（DCGAN）以增加伪标签训练样本中改变的类的数量。在四个真实SAR数据集上的数值实验表明了该方法的有效性和鲁棒性，小区域变化检测的准确率达到99.61%。
2020-11-22 cs.CV eess.IV
Physically Explainable CNN for SAR Image Classification
Northwestern Polytechnical University（西北工业大学）；Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心（DLR）遥感技术研究所（IMF））；University POLITEHNICA of Bucharest (UPB)（布加勒斯特理工大学（UPB））
为了增强深度学习的可解释性和物理意识，将合成孔径雷达（SAR）的特殊电磁特性集成到深度神经网络中至关重要。在本文中，我们首先提出了一种新的物理可解释的卷积神经网络的SAR图像分类，即物理引导和注入学习（PGIL）。它包括三个部分：（1）提供先验物理知识的可解释模型（XM），（2）将知识编码为物理感知特征的物理引导网络（PGN），以及（3）将物理感知特征自适应地引入分类流水线以用于标签预测的物理注入网络（PIN）。提出了一种用于评估的混合图像-物理SAR数据集格式，并对Sentinel-1和Gaofen-3 SAR数据进行了实验。实验结果表明，与数据驱动的CNN和其他预训练方法相比，PGIL在有限标记数据的情况下显著提高了分类性能.此外，物理解释进行了讨论，以表明可解释性和物理一致性保留的预测。我们认为，该方法将促进物理可解释的深度学习在SAR图像解释领域的发展。
2022-06-02 cs.CV eess.IV
Two-Phase Object-Based Deep Learning for Multi-temporal SAR Image Change Detection
College of Microelectronics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）；Chongqing Key Laboratory of Space Information Network and Intelligent Information Fusion（重庆空间信息网络与智能信息融合重点实验室）；Lancaster Environment Centre, Lancaster University（兰卡斯特大学兰卡斯特环境中心）；UK Centre for Ecology & Hydrology（英国生态与水文中心）
变化检测是合成孔径雷达（SAR）图像的基本应用之一。然而，SAR图像中存在的相干斑噪声对变化检测有很大的负面影响。在这项研究中，一种新的两阶段基于对象的深度学习方法提出了多时相SAR图像变化检测。与传统方法相比，该方法主要有两个创新点。一种是将所有像素分为三类而不是两类：未改变的像素、由强斑点引起的改变的像素（假变化）和由真实地形变化形成的改变的像素（真实变化）。另一种是将相邻像素分组为分段的超像素对象（从像素），以便利用局部空间上下文。该方法分为两个阶段：1）基于简单的线性迭代聚类算法生成对象，并利用模糊C均值（FCM）聚类和深度PCANet将这些对象区分为变化类和不变类。该阶段的预测是改变的和未改变的超像素的集合。2)仅对在第一阶段中获得的改变的超像素上的像素集进行深度学习，以区分真实改变与虚假改变。在第二阶段中再次采用SLIC来实现新的超像素。低秩和稀疏分解应用于这些新的超像素，以抑制斑点噪声显着。通过FCM将进一步的聚类步骤应用于这些新的超像素。然后训练一个新的PCANet对两种变化的超像素进行分类，以获得最终的变化图。数值实验表明，与基准方法相比，该方法能有效区分真实变化和虚假变化，并显著降低虚警率，在多时相SAR图像上的变化检测准确率可达99.71%。
2020-01-17 cs.CV eess.IV
Improving FLAIR SAR efficiency at 7T by adaptive tailoring of adiabatic pulse power using deep convolutional neural networks
目的：本研究旨在通过预测所需的绝热脉冲功率并以切片方式缩放幅度，证明在7 T下降低T2-FLAIR MRI序列的比吸收率（SAR）的方法。研究方法：我们在T2-FLAIR序列中使用TR-FOCI绝热脉冲进行自旋反转，以改善B1+均匀性，并逐层计算绝热性所需的脉冲功率，以最大限度地降低SAR。利用标准定位器扫描中存在的隐式B1+不均匀性，在8名志愿者中采集3D AutoAlign定位器和SA 2ALIB B1+图。然后训练卷积神经网络（CNN）以预测来自定位器的B1+分布，并计算每个切片的脉冲功率的比例因子。在横向、矢状和冠状方向上评估了预测B1+轮廓的能力以及导出的脉冲比例因子如何影响FLAIR反转效率。结果：预测的B1+图与测量的B1+图匹配，所有切片的平均差异为4.45%。横向方向的采集被证明是这种方法最有效的，并提供了40%的SAR减少以及1分钟和30秒的扫描时间减少（28%），而不会降低图像质量。结论：我们提出了一种SAR降低技术，该技术基于使用CNN对标准定位器扫描的B1+轮廓进行预测，并表明逐片缩放7 T FLAIR序列的反转脉冲功率可以降低SAR和扫描时间，而不会影响图像质量。
2019-11-19 eess.IV physics.med-ph
Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning
University of Isfahan（伊斯法罕大学）
本研究提出使用条件表格生成对抗网络（CTGAN）合成SAR-光学融合数据，以解决作物分类中少数类训练样本不足的问题，实验证明该方法能生成高质量数据，显著提升分类性能。
2024-02-03 cs.CV cs.LG eess.IV
Deep Network for Simultaneous Decomposition and Classification in UWB-SAR Imagery
The Pennsylvania State University（宾夕法尼亚州立大学）；U.S. Army Research Laboratory（美国陆军研究实验室）
从场景中的其他自然和人为杂波对象中分类隐藏和模糊的感兴趣目标是美国陆军的一个重要问题。感兴趣的目标通常由使用低频（UHF至L波段）超宽带（UWB）合成孔径雷达（SAR）技术捕获的信号表示。该技术已被用于各种应用，包括地面穿透和穿墙传感。然而，该技术仍然面临着一个重大的问题，低分辨率的SAR图像在这个特定的频段，低雷达截面积（RCS），小的目标相比，雷达信号波长，和严重的干扰。基于稀疏表示的分类（SRC）方法可以从信号中提取噪声并利用跨信道信息，从而首先部分地解决了分类问题。尽管提供了潜在的结果，SRC相关的方法在表示非线性关系和处理较大的训练集方面存在缺点。在本文中，我们提出了一个同时分解和分类网络（SDCN），以减轻噪声推理，提高分类精度。该网络包含两个联合训练的子网络：分解子网络处理去噪，而分类子网络区分目标和混淆者。实验结果表明，显着的改进，在没有分解和SRC相关的方法的网络。
2018-02-22 cs.CV eess.IV
Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1
University of Alicante（阿利坎特大学）；Institute for Computer Research (IUII)（计算机研究所（IUII））
本研究提出了一种基于卷积神经网络的极化SAR图像斑点滤波完整框架，通过复协方差矩阵的可逆变换和变化检测策略，在有效抑制斑点的同时保持分辨率且不引入伪影，适用于进一步的极化处理。
2024-08-29 cs.CV eess.IV eess.SP
Deep learning based automatic detection of offshore oil slicks using SAR data and contextual information
Univ. Savoie Mont Blanc（萨瓦大学）；TotalEnergies S.E.（道达尔能源公司）
海洋表面监测，特别是浮油探测，由于其对石油勘探和生态系统风险预防的重要性，已成为强制性的。多年来，探测任务一直是由照片判读员在风等背景数据的帮助下使用合成孔径雷达（SAR）图像手动执行的。这种繁琐的手动工作无法处理由可用传感器收集的越来越多的数据，因此需要自动化。文献报告了常规和半自动检测方法，这些方法通常侧重于有限数据汇集上源自人为（泄漏）或自然（渗漏）源的浮油。作为一个扩展，本文提出了一个广泛的数据库与两种浮油的海上浮油的自动化。它建立在专门的照片判读员对哨兵-1号合成孔径雷达数据的圆滑注释基础上，该数据为期4年，覆盖全球3个勘探和监测区域。所有考虑的SAR图像和相关的注释涉及到真正的浮油监测方案。此外，系统地计算风估计以丰富数据汇集。论文贡献如下：（i）两种深度学习方法的性能比较：使用FC-DenseNet的语义分割和使用Mask-RCNN的实例分割。(ii)在性能评估中，气象信息（风速）的引入被认为对于浮油检测是有价值的。这项研究的主要结果显示了通过深度学习方法进行浮油检测的有效性，特别是FC-DenseNet，它捕获了我们测试集中超过92%的石油实例。此外，在性能评估中证明了模型性能与背景信息（如浮油大小和风速）之间的强相关性。这项工作开辟了前景，设计模型，可以融合SAR和风信息，以减少误报率。
2022-04-13 cs.CV cs.NE eess.IV
Lake Ice Detection from Sentinel-1 SAR with Deep Learning
ETH Zurich（苏黎世联邦理工学院）；Skoltech（斯科尔科沃科技学院）
湖冰作为基本气候变量（ECV）湖泊的一部分，是监测气候变化和全球变暖的重要指标。湖泊冰盖的时空范围，以及关键的物候事件，如冻结和解体的时间，提供了关于当地和全球气候的重要线索。我们提出了一个湖冰监测系统的基础上，自动分析哨兵-1合成孔径雷达（SAR）数据与深度神经网络。在以前使用光学卫星图像进行湖冰监测的研究中，频繁的云层覆盖是一个主要的限制因素，我们克服了这一限制因素，这要归功于微波传感器穿透云层并观察湖泊的能力，而不管天气和照明条件如何。我们将冰检测作为两类（冻结，非冻结）语义分割问题，并使用最先进的深度卷积网络（CNN）解决它。我们报告了两个冬季（2016 - 17和2017 - 18）和瑞士三个高山湖泊的结果。所提出的模型达到平均相交超过联盟（mIoU）得分>90%，即使是最困难的湖泊也>84%。此外，我们进行了交叉验证测试，并表明我们的算法在看不见的湖泊和冬季中具有很好的泛化能力。
2020-05-06 cs.CV eess.IV physics.ao-ph
Multi-Objective CNN Based Algorithm for SAR Despeckling
University of Napoli Parthenope（那不勒斯帕泰诺佩大学）
遥感中的深度学习（DL）如今已成为一种有效的操作工具：它主要用于变化检测、图像恢复、分割、检测和分类等应用。在合成孔径雷达（SAR）领域，由于SAR图像的非平凡解释，特别是斑点噪声的存在，使得DL技术的应用并不简单。在过去的几年里，已经提出了几种用于SAR去斑的深度学习解决方案。这些解决方案中的大多数集中在具有类似代价函数的不同网络架构的定义上，而不涉及SAR图像属性。本文提出了一种具有多目标代价函数的卷积神经网络（CNN），该代价函数考虑了SAR图像的空间和统计特性。这是通过定义一个特殊的损失函数来实现的，该损失函数是由三个不同项的加权组合获得的。每个术语主要用于以下SAR图像特征之一：空间细节，斑点统计特性和强散射体识别。它们的组合可以平衡这些影响。此外，一个专门设计的架构，提出了有效地提取所考虑的框架内的独特功能。仿真和真实SAR图像的实验表明，该方法的精度相比，最先进的去斑算法，无论是从定量和定性的角度来看。在代价函数中考虑这样的SAR属性的重要性对于在不同的加下划线的场景（诸如均匀的、异质的和极端异质的）中正确的噪声抑制和细节保留是至关重要的。
2020-10-30 cs.CV eess.IV
Technical Report: Towards Spatial Feature Regularization in Deep-Learning-Based Array-SAR Reconstruction
该研究将空间特征正则化整合到基于深度学习的阵列SAR重建中，提出切片内和切片间策略及两个计算框架，构建了四个专门的重建网络，显著提升了城市建筑结构的重建精度、完整性和鲁棒性。
2024-12-22 cs.CV eess.IV
DP-JMRNet: A Deep Unfolding Network for Differential Phase Preservation in Sparse Bitemporal SAR Reconstruction
College of Information Science and Engineering, Hohai University（河海大学信息科学与工程学院）；Department of Geography, Harokopio University of Athens（雅典哈罗科普奥大学地理系）
针对稀疏双时相SAR重建的差分相位保留问题，提出DP-JMRNet深度展开网络，在多采样率下实现更低差分相位RMSE，且参数更少，在模拟数据和Sentinel-1数据上均验证了有效性。
2026-08-28 eess.IV eess.SP
Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images
INRAE（法国国家农业、食品与环境研究院）；CIRAD（法国国际农业发展研究中心）；CNES（法国国家空间研究中心）
随着Sentinel星座带来的光学和合成孔径雷达（SAR）图像的可用性越来越高，以及深度学习的爆炸式发展，近年来出现了新的方法来解决受云影响的光学图像的重建问题。在本文中，我们专注于评估卷积神经网络，联合使用SAR和光学图像检索丢失的内容，在一个单一的污染光学图像。我们提出了一个简单的框架，可以轻松创建数据集，用于训练针对光学图像重建的深度网络，以及验证基于机器学习的方法或确定性方法。这些方法在输入图像约束方面是完全不同的，并且比较它们是文献中没有解决的有问题的任务。我们展示了空间分区数据结构如何帮助查询样本的云覆盖率，相对采集日期，像素有效性和SAR和光学图像之间的相对接近度。我们生成了几个数据集，比较重建图像的网络，使用单对SAR和光学图像，与网络，使用多对，和一个传统的确定性方法在时域内进行插值。
2022-04-01 cs.CV eess.IV
Despeckling Polarimetric SAR Data Using a Multi-Stream Complex-Valued Fully Convolutional Network
极化合成孔径雷达（PolSAR）传感器能够收集不同极化状态的图像，使其成为目标表征的丰富信息源。极化SAR图像固有地受到斑点噪声的影响。因此，在从数据中推导出特定产品之前，需要通过减少散斑来估计极化协方差矩阵。近年来，基于深度学习的去斑方法已经开始从单通道SAR图像发展到PolSAR图像。为此，基于深度学习的方法将复值协方差矩阵的实部和虚部分开，并将它们用作标准卷积神经网络中的独立通道。然而，这种方法忽略了实部和虚部之间存在的数学关系，导致次优输出。在这里，我们提出了一个多流复值全卷积网络，以减少斑点和有效地估计PolSAR协方差矩阵。为了评估CV-deSpeckNet的性能，我们使用Sentinel-1双极化SAR图像与其实值对应图像进行比较，后者将复协方差矩阵的实部和虚部分开。还将CV-deSpeckNet与最先进的PolSAR去斑方法进行了比较。结果表明，CV-deSpeckNet能够用更少的样本进行训练，具有更高的泛化能力，并且比其实值对应物和最先进的PolSAR降斑方法具有更高的准确性。这些结果展示了复值深度学习在PolSAR去斑方面的潜力。
2021-03-12 eess.IV
Spatio-Temporal SAR-Optical Data Fusion for Cloud Removal via a Deep Hierarchical Model
University of Sannio（萨尼奥大学）；Warsaw University of Technology（华沙理工大学）；La Sapienza University（罗马第一大学）；European Space Agency（欧洲空间局）
除云是遥感中的一个相关主题，因为它促进了高分辨率光学图像在地球监测和研究中的可用性。相关技术已经分析了多年，从多光谱到修复方法，对采用的适当方法有了越来越清晰的认识。最近深度生成模型和基于序列到序列的模型的应用已经证明了它们显着推进该领域的能力。然而，仍然存在一些差距，主要与云的覆盖量，云的密度和厚度，以及发生的时间景观变化有关。在这项工作中，我们填补了一些这些空白，通过引入一种新的多模态方法，使用不同的信息源，空间和时间，恢复整个光学场景的兴趣。该方法引入了一种创新的深度模型，使用时间序列混合和从合成孔径雷达（SAR）到光学图像的直接翻译的结果来获得整个场景的像素级恢复。我们的方法的优势在我们生成并提供的数据集上测试的各种大气条件下得到证明。定量和定性的结果证明，该方法获得无云的图像，保留场景的细节，而不诉诸一个干净的图像的大部分，并应对景观变化。
2022-03-28 cs.AI cs.CV eess.IV
Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An Overview Of Trends And Perspectives
合成孔径雷达（SAR）图像受相干斑噪声的影响，相干斑噪声具有空间相关性，并且与信号相关，严重影响了图像的利用。去斑是一项重要的任务，其目的在于去除这种噪声，以便提高所有下游图像处理任务的精度。第一个去斑方法可以追溯到20世纪70年代，并在随后的几年中开发了几种基于模型的算法。该领域受到了越来越多的关注，强大的深度学习模型的可用性使其在图像处理中的逆问题方面表现出色。本文综述了应用于SAR降斑的深度学习方法的文献，涵盖了监督和最近的自监督方法。我们对现有方法进行了批判性分析，目的是识别最有前途的研究路线，确定限制深度模型成功的因素，并提出前进的方向，以充分利用深度学习在SAR降斑方面的潜力。
2021-05-02 cs.CV eess.IV
A Deep Learning Approach for SAR Tomographic Imaging of Forested Areas
Télécom Paris, Institut polytechnique de Paris（巴黎理工学院电信学院）；CNRS（法国国家科学研究中心）；Univ. Lyon（里昂大学）；UJM-Saint-Étienne（圣艾蒂安大学）；ISAE-SUPAERO（法国高等航空航天学院）；CESBIO, University of Toulouse（图卢兹大学CESBIO研究所）
本研究提出一种轻量级神经网络方法，通过单次前向传播实现森林区域SAR层析成像的快速反演，在模拟数据上训练并在真实L和P波段数据上验证，为未来BIOMASS任务的数据处理提供高效方案。
2023-01-20 cs.CV eess.IV
Multi-temporal speckle reduction with self-supervised deep neural networks
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院 LTCI 实验室）；Univ Lyon, UJM-Saint-Etienne（里昂大学圣艾蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室（UMR 5516））；Laboratoire MAP5, UMR CNRS 8145（MAP5 实验室（法国国家科学研究中心 UMR 8145））；Université Paris Cité（巴黎西岱大学）
相干斑滤波是合成孔径雷达（SAR）图像分析的前提。在单图像去斑领域已经取得了巨大的进展。最新的技术依赖于深度神经网络来恢复SAR图像特有的各种结构和纹理。SAR图像的时间序列的可用性提供了通过在相同区域上组合不同斑点实现来改进斑点滤波的可能性。深度神经网络的监督训练需要地面真实无斑点图像。这种图像只能通过某种形式的平均，通过空间或时间积分间接获得，并且是不完美的。鉴于非常高的质量恢复的潜力可达到的多时间斑点滤波，地面实况图像的限制需要规避。我们扩展了最近的自我监督训练策略，单看复杂的SAR图像，称为MERLIN，多时间滤波的情况下。这需要在空间和时间维度以及复振幅的实部和虚部之间对统计依赖性的来源进行建模。对模拟相干斑数据集的定量分析表明，当包含额外的SAR图像时，相干斑抑制有明显的改善。然后，我们的方法被应用到堆栈的TerraSAR-X图像，并表现出优于竞争的多时间斑点滤波方法。训练模型的代码可在巴黎理工学院LTCI实验室Icons团队的Gitlab上免费获得（https：//gitlab.telecom-paris.fr/ring/multi-temporal-merlin/）。
2022-07-25 cs.CV eess.IV
Multi-Modal Deep Learning for Multi-Temporal Urban Mapping With a Partly Missing Optical Modality
KTH Royal Institute of Technology（KTH皇家理工学院）
针对云层导致Sentinel-2光学数据部分缺失的多时相城市制图问题，提出双分支特征提取加SAR重建光学特征网络，实验证明其优于零值填充多模态方法和单模态SAR方法。
2023-06-01 cs.CV eess.IV
