Super Resolution Approach with Convolutional Autoencoder Neural Network for Sentinel-2 Satellite Imagery

Turkish Journal of Remote Sensing and GIS Pub Date : 2023-09-04 DOI:10.48123/rsgis.1254716

Ahmet Ertuğrul ARIK, Reha PAŞAOĞLU, Nuri EMRAHAOĞLU

{"title":"Super Resolution Approach with Convolutional Autoencoder Neural Network for Sentinel-2 Satellite Imagery","authors":"Ahmet Ertuğrul ARIK, Reha PAŞAOĞLU, Nuri EMRAHAOĞLU","doi":"10.48123/rsgis.1254716","DOIUrl":null,"url":null,"abstract":"Makalede, uydu görüntülerinin çözünürlüğünü arttırmak için SEN-2_CAENET adında evrişimli otokodlayıcı temelli yeni bir süper çözünürlük derin öğrenme modeli sunulmaktadır. Yapay sinir ağları, son yıllarda uydu görüntülerinde uzamsal çözünürlük artırma konusunda önemli bir rol oynamaktadır. Özellikle, genelleştirilebilir yapay sinir ağları, verilen girdi verilerine benzer ama tamamen farklı girdi verilerine uygulandığında da doğru çıktı verileri elde edilebilir. Bu özellik, yapay sinir ağlarının uzamsal çözünürlük artırma işlemlerinde etkin bir şekilde kullanılmasını sağlar. Makalede, Sentinel-2 uydu görüntüleri için kullanılan bir otokodlayıcı temelli derin sinir ağı modelinin nasıl uzamsal çözünürlük artırma işlemlerinde kullanılabileceği açıklanmaktadır. Bu model, kullanılan veriler ve eğitim yöntemleri ile görüntülerin detaylarının daha iyi görülebilmesini ve bu sayede görüntülerin daha etkili bir şekilde analiz edilebilmesini mümkün kılmaktadır. Testlerimizde, Sentinel-2 uydu görüntüleri üzerinde uyguladığımız SEN-2_CAENET modelinin performansını PSNR, MSE ve SSIM metrikleri kullanarak ölçtük. Elde ettiğimiz bulgular, SEN-2_CAENET'in literatürde önemli bir konuma sahip olan SRCNN sinir ağından daha yüksek başarı oranlarına ulaştığını göstermiştir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"27 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-09-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Turkish Journal of Remote Sensing and GIS","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.48123/rsgis.1254716","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Makalede, uydu görüntülerinin çözünürlüğünü arttırmak için SEN-2_CAENET adında evrişimli otokodlayıcı temelli yeni bir süper çözünürlük derin öğrenme modeli sunulmaktadır. Yapay sinir ağları, son yıllarda uydu görüntülerinde uzamsal çözünürlük artırma konusunda önemli bir rol oynamaktadır. Özellikle, genelleştirilebilir yapay sinir ağları, verilen girdi verilerine benzer ama tamamen farklı girdi verilerine uygulandığında da doğru çıktı verileri elde edilebilir. Bu özellik, yapay sinir ağlarının uzamsal çözünürlük artırma işlemlerinde etkin bir şekilde kullanılmasını sağlar. Makalede, Sentinel-2 uydu görüntüleri için kullanılan bir otokodlayıcı temelli derin sinir ağı modelinin nasıl uzamsal çözünürlük artırma işlemlerinde kullanılabileceği açıklanmaktadır. Bu model, kullanılan veriler ve eğitim yöntemleri ile görüntülerin detaylarının daha iyi görülebilmesini ve bu sayede görüntülerin daha etkili bir şekilde analiz edilebilmesini mümkün kılmaktadır. Testlerimizde, Sentinel-2 uydu görüntüleri üzerinde uyguladığımız SEN-2_CAENET modelinin performansını PSNR, MSE ve SSIM metrikleri kullanarak ölçtük. Elde ettiğimiz bulgular, SEN-2_CAENET'in literatürde önemli bir konuma sahip olan SRCNN sinir ağından daha yüksek başarı oranlarına ulaştığını göstermiştir.

查看原文本刊更多论文

基于卷积自编码器神经网络的哨兵2号卫星图像超分辨率方法

本文提出了一种基于卷积自动编码器的新型超分辨率深度学习模型 SEN-2_CAENET，以提高卫星图像的分辨率。近年来，人工神经网络在提高卫星图像空间分辨率方面发挥了重要作用。特别是，可泛化的神经网络可应用于与给定输入数据相似但完全不同的输入数据，从而获得精确的输出数据。这一特点使得神经网络能够有效地应用于空间分辨率的提升。本文介绍了如何将基于自动编码器的哨兵-2 卫星图像深度神经网络模型用于空间分辨率增强。该模型以及所使用的数据和训练方法可以更好地观察图像细节，从而更有效地分析图像。在测试中，我们使用 PSNR、MSE 和 SSIM 指标测量了 SEN-2_CAENET 模型在哨兵-2 卫星图像上的性能。结果表明，SEN-2_CAENET 比 SRCNN 神经网络的成功率更高，而 SRCNN 在文献中占有重要地位。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Turkish Journal of Remote Sensing and GIS

自引率

0.00%

发文量