背景感知轻量级遥感图像超分辨率网络

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 卷积神经网络 (CNN) 主导着远程传感图像超分辨率 (RSISR).
• 美国有线电视新闻网 (CNN) 在有限的受体场中扎,阻碍了远程特征捕捉.
• 由于高计算成本和参数数量,现有的RSISR模型在部署方面面临挑战.

研究的目的:

• 开发一个高效和有效的RSISR网络用于远程传感图像.
• 为了克服CNN在捕捉远程依赖方面的局限性.
• 为了减少计算复杂性和参数数量,以便更容易部署.

主要方法:

• 提出了一个情境感知轻量级超分辨率网络 (CALSRN).
• 引入了具有局部上下文提取分支 (LCEB) 和全球上下文提取分支 (GCEB) 的上下文感知转换器块 (CATB).
• 采用Swin变压器用于全球功能和基于CNN的跨注意力用于本地功能,并使用动态重量生成分支 (DWGB) 进行功能聚合.

主要成果:

• CALSRN有效地捕捉了本地和全球的图像特征.
• 提出的方法实现了高质量的超分辨率重建.
• 与现有方法相比,实验结果显示参数数量和计算复杂性较低.

结论:

• 卡尔斯恩为远程传感图像超分辨率提供了一个有前途的解决方案.
• 网络的设计增强了捕获多尺度图像依赖性的能力.
• CALSRN为RSISR应用提供了一个计算效率高和高性能替代方案.