基于多尺度残差注意力网络的全色锐化方法

针对传统深度学习的遥感图像全色锐化方法未考虑源图像多尺度方向信息和通道间的关联紧密性,导致融合图像出现空间信息丢失和光谱失真问题,提出了一种基于多尺度残差注意力网络的遥感图像全色锐化方法。将低空间分辨率多光谱(low-resolution multi-spectral, LRMS)图像经过双三次插值上采样与高空间分辨率全色(panchromatic, PAN)图像级联,得到一个5通道图像作为输入;设计3个并行的多尺度残差注意力网络从空间和通道两方面提取源图像不同频度的特征,每个子网络包含浅层特征提取、深层特征提取、特征融合、特征重建过程,将三者的输出进行跳连接获得最终融合图像,将光谱角映射、平均绝对误差和几何梯度权重相加作为一种新的损失函数来训练参数,以提高网络的信息表征能力;选择在WorldView-2和WorldView-3数据集上与其他7种融合方法进行对比实验,并在WorldView-3数据集上对模型的网络结构及损失函数性能进行验证,实验结果表明:该方法在光谱信息和空间信息保持方面具有明显优势。

非对称损失下威布尔分布总体的参数设计

田口玄一的参数设计思想只是针对对称的二次损失函数所做,有一定的局限性。讨论了非对称的二次损失函数,定义了损失系数比。说明了在非对称的二次损失函数下,也可以采用田口玄一减小质量损失的思想:先进行稳健性设计减小波动,再进行灵敏度设计减小偏差。并在指标服从威布尔分布的情形下定义了调整参数,给出了参数设计的方法和步骤。指出了调整参数在参数设计中的特殊位置和重要特性,列出了部分最优调整参数的值。