Centre dedocumentation
scientifique

Cross-guided pyramid attention-based residual hyperdense network for hyperspectral image pansharpening / Jiahui Qu in IEEE Transactions on geoscience and remote sensing, vol 60 n° 11 (November 2022)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 60 n° 11 (November 2022) . - n° 5543114 Titre : Cross-guided pyramid attention-based residual hyperdense network for hyperspectral image pansharpening Type de document : Article/Communication Auteurs : Jiahui Qu, Auteur ; Tongzhen Zhang, Auteur ; Wenqian Dong, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 5543114 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] attention (apprentissage automatique) [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] image hyperspectrale [Termes IGN] image panchromatique [Termes IGN] lissage de données [Termes IGN] pansharpening (fusion d'images) Résumé : (auteur) Hyperspectral (HS) image pansharpening is of great importance in improving the spatial resolution for many commercial platforms and remote sensing tasks. Convolutional neural network (CNN) has recently been applied in pansharpening. However, most existing CNN-based pansharpening models followed an early-fusion/late-fusion strategy, which integrates the low-level/high-level features of panchromatic (PAN) and HS streams at the input-output of the network. It is difficult to learn more complex combinations between PAN and HS streams. This article proposes a novel end-to-end residual hyperdense pansharpening network with a cross-guided pyramid attention (called RHDcgpaNet). The overall architecture of the proposed method is a residual hyperdense network, which extends the definition of dense connections to two-stream pansharpening problem. The proposed RHDcgpaNet allows guidance from the state of the preceding layers to all the layers in- between PAN and HS streams in a feed-forward manner, significantly increasing the learning representation. A cross-guided pyramid attention is designed and embedded to the proposed residual hyperdense network to yield more useful spatial–spectral feature transfer in network. Extensive experiments on widely used datasets demonstrate that the proposed RHDcgpaNet achieves favorable performance in comparison to the state-of-the-art methods. Numéro de notice : A2022-852 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1109/TGRS.2022.3220079 Date de publication en ligne : 07/11/2022 En ligne : https://doi.org/10.1109/TGRS.2022.3220079 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102098 [article]

Evaluation of Landsat 8 image pansharpening in estimating soil organic matter using multiple linear regression and artificial neural networks / Abdelkrim Bouasria in Geo-spatial Information Science, vol 25 n° 3 (October 2022)  

Public [article]  inGeo-spatial Information Science > vol 25 n° 3 (October 2022) . - pp 353 - 364 Titre : Evaluation of Landsat 8 image pansharpening in estimating soil organic matter using multiple linear regression and artificial neural networks Type de document : Article/Communication Auteurs : Abdelkrim Bouasria, Auteur ; Khalid Ibno Namra, Auteur ; Abdelmejid Rahimi, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 353 - 364 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] état du sol [Termes IGN] image Landsat-OLI [Termes IGN] image panchromatique [Termes IGN] Maroc [Termes IGN] matière organique [Termes IGN] modèle de simulation [Termes IGN] pansharpening (fusion d'images) [Termes IGN] Perceptron multicouche [Termes IGN] régression multiple [Termes IGN] réseau neuronal artificiel Résumé : (auteur) In agricultural systems, the regular monitoring of Soil Organic Matter (SOM) dynamics is essential. This task is costly and time-consuming when using the conventional method, especially in a very fragmented area and with intensive agricultural activity, such as the area of Sidi Bennour. The study area is located in the Doukkala irrigated perimeter in Morocco. Satellite data can provide an alternative and fill this gap at a low cost. Models to predict SOM from a satellite image, whether linear or nonlinear, have shown considerable interest. This study aims to compare SOM prediction using Multiple Linear Regression (MLR) and Artificial Neural Networks (ANN). A total of 368 points were collected at a depth of 0–30 cm and analyzed in the laboratory. An image at 15 m resolution (MSPAN) was produced from a 30 m resolution (MS) Landsat-8 image using image pansharpening processing and panchromatic band (15 m). The results obtained show that the MLR models predicted the SOM with (training/validation) R2 values of 0.62/0.63 and 0.64/0.65 and RMSE values of 0.23/0.22 and 0.22/0.21 for the MS and MSPAN images, respectively. In contrast, the ANN models predicted SOM with R2 values of 0.65/0.66 and 0.69/0.71 and RMSE values of 0.22/0.10 and 0.21/0.18 for the MS and MSPAN images, respectively. Image pansharpening improved the prediction accuracy by 2.60% and 4.30% and reduced the estimation error by 0.80% and 1.30% for the MLR and ANN models, respectively. Numéro de notice : A2022-722 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/10095020.2022.2026743 Date de publication en ligne : 15/02/2022 En ligne : https://doi.org/10.1080/10095020.2022.2026743 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101665 [article]

HyperNet: A deep network for hyperspectral, multispectral, and panchromatic image fusion / Kun Li in ISPRS Journal of photogrammetry and remote sensing, vol 188 (June 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 188 (June 2022) . - pp 30 - 44 Titre : HyperNet: A deep network for hyperspectral, multispectral, and panchromatic image fusion Type de document : Article/Communication Auteurs : Kun Li, Auteur ; Wei Zhang, Auteur ; Dian Yu, Auteur ; Xin Tian, Auteur Année de publication : 2022 Article en page(s) : pp 30 - 44 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] fusion d'images [Termes IGN] image à haute résolution [Termes IGN] image floue [Termes IGN] image hyperspectrale [Termes IGN] image multibande [Termes IGN] image panchromatique [Termes IGN] pansharpening (fusion d'images) [Termes IGN] réseau neuronal profond Résumé : (Auteur) Traditional approaches mainly fuse a hyperspectral image (HSI) with a high-resolution multispectral image (MSI) to improve the spatial resolution of the HSI. However, such improvement in the spatial resolution of HSIs is still limited because the spatial resolution of MSIs remains low. To further improve the spatial resolution of HSIs, we propose HyperNet, a deep network for the fusion of HSI, MSI, and panchromatic image (PAN), which effectively injects the spatial details of an MSI and a PAN into an HSI while preserving the spectral information of the HSI. Thus, we design HyperNet on the basis of a uniform fusion strategy to solve the problem of complex fusion of three types of sources (i.e., HSI, MSI, and PAN). In particular, the spatial details of the MSI and the PAN are extracted by multiple specially designed multiscale-attention-enhance blocks in which multi-scale convolution is used to adaptively extract features from different reception fields, and two attention mechanisms are adopted to enhance the representation capability of features along the spectral and spatial dimensions, respectively. Through the capability of feature reuse and interaction in a specially designed dense-detail-insertion block, the previously extracted features are subsequently injected into the HSI according to the unidirectional feature propagation among the layers of dense connection. Finally, we construct an efficient loss function by integrating the multi-scale structural similarity index with the norm, which drives HyperNet to generate high-quality results with a good balance between spatial and spectral qualities. Extensive experiments on simulated and real data sets qualitatively and quantitatively demonstrate the superiority of HyperNet over other state-of-the-art methods. Numéro de notice : A2022-272 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.04.001 Date de publication en ligne : 07/04/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.04.001 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100461 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022061	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022063	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2022062	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

PolGAN: A deep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data / Qi Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 186 (April 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 186 (April 2022) . - pp 123 - 139 Titre : PolGAN: A deep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data Type de document : Article/Communication Auteurs : Qi Zhang, Auteur ; Linlin Ge, Auteur ; Scott Hensley, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 123 - 139 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse discriminante [Termes IGN] apprentissage non-dirigé [Termes IGN] apprentissage profond [Termes IGN] bande L [Termes IGN] données lidar [Termes IGN] forêt boréale [Termes IGN] forêt tropicale [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] hauteur de la végétation [Termes IGN] hauteur des arbres [Termes IGN] image captée par drone [Termes IGN] interféromètrie par radar à antenne synthétique [Termes IGN] pansharpening (fusion d'images) [Termes IGN] polarimétrie radar [Termes IGN] pouvoir de résolution géométrique [Termes IGN] réseau antagoniste génératif [Termes IGN] semis de points Résumé : (auteur) This paper describes a deep-learning-based unsupervised forest height estimation method based on the synergy of the high-resolution L-band repeat-pass Polarimetric Synthetic Aperture Radar Interferometry (PolInSAR) and low-resolution large-footprint full-waveform Light Detection and Ranging (LiDAR) data. Unlike traditional PolInSAR-based methods, the proposed method reformulates the forest height inversion as a pan-sharpening process between the low-resolution LiDAR height and the high-resolution PolSAR and PolInSAR features. A tailored Generative Adversarial Network (GAN) called PolGAN with one generator and dual (coherence and spatial) discriminators is proposed to this end, where a progressive pan-sharpening strategy underpins the generator to overcome the significant difference between spatial resolutions of LiDAR and SAR-related inputs. Forest height estimates with high spatial resolution and vertical accuracy are generated through a continuous generative and adversarial process. UAVSAR PolInSAR and LVIS LiDAR data collected over tropical and boreal forest sites are used for experiments. Ablation study is conducted over the boreal site evidencing the superiority of the progressive generator with dual discriminators employed in PolGAN (RMSE: 1.21 m) in comparison with the standard generator with dual discriminators (RMSE: 2.43 m) and the progressive generator with a single coherence (RMSE: 2.74 m) or spatial discriminator (RMSE: 5.87 m). Besides that, by reducing the dependency on theoretical models and utilizing the shape, texture, and spatial information embedded in the high-spatial-resolution features, the PolGAN method achieves an RMSE of 2.37 m over the tropical forest site, which is much more accurate than the traditional PolInSAR-based Kapok method (RMSE: 8.02 m). Numéro de notice : A2022-195 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.02.008 Date de publication en ligne : 17/02/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.02.008 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99962 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022041	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022043	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2022042	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Fusion de données hyperspectrales et panchromatiques dans le domaine réflectif / Yohann Constans (2022)  

Public Titre : Fusion de données hyperspectrales et panchromatiques dans le domaine réflectif Type de document : Thèse/HDR Auteurs : Yohann Constans, Auteur ; Xavier Briottet , Directeur de thèse ; Yannick Deville, Directeur de thèse Editeur : Toulouse : Université de Toulouse Année de publication : 2022 Importance : 302 p. Format : 21 x 30 cm Note générale : bibliographie Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, Spécialité Physique Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse combinatoire (maths) [Termes IGN] analyse de sensibilité [Termes IGN] fusion d'images [Termes IGN] hétérogénéité spatiale [Termes IGN] image hyperspectrale [Termes IGN] image panchromatique [Termes IGN] jeu de données [Termes IGN] optimisation (mathématiques) [Termes IGN] pansharpening (fusion d'images) [Termes IGN] pixel [Termes IGN] pouvoir de résolution géométrique [Termes IGN] qualité d'image [Termes IGN] reconstruction d'image [Termes IGN] réflexion (rayonnement) Index. décimale : THESE Thèses et HDR Résumé : (auteur) Les capteurs satellitaires ne pouvant acquérir des images d'observation de la Terre à hautes résolutions spatiale et spectrale, une solution consiste à combiner une image panchromatique (PAN) à haute résolution spatiale avec une image hyperspectrale (HS) à haute résolution spectrale, pour générer une nouvelle image hautement résolue spatialement et spectralement. Ce procédé de fusion, appelé pansharpening HS, présente toutefois certaines limitations, parmi lesquelles la gestion des pixels HS mixtes, particulièrement présents en milieu urbain. Cette thèse a pour objectif de développer et valider une nouvelle méthode de pansharpening HS dans le domaine réflectif [0,4 - 2,5 µm] optimisant la reconstruction des pixels mixtes. Pour ce faire, une méthode de la littérature appelée Spatially Organized Spectral Unmixing (SOSU) a été choisie comme point de départ. Elle est basée sur des étapes de prétraitement de démélange spectral et de réorganisation spatiale des pixels mixtes, et une étape de fusion appelée Gain. Afin d'évaluer les méthodes de fusion, des jeux de données simulés présentant plusieurs niveaux de complexité spatiale et acquis par différents instruments ont été construits à partir de données aéroportées existantes. D'autre part, un protocole robuste d'évaluation de performances a été proposé. Il est basé sur le protocole de Wald et l'application de critères de qualité à différentes échelles spatiales et sur différents domaines spectraux, et il est complété par un produit à valeur ajoutée (cartes d'occupation des sols par classification supervisée). Des améliorations ont été apportées à SOSU pour l'adapter progressivement à des scènes de complexité spatiale élevée. Une nouvelle approche de réorganisation spatiale par analyse combinatoire a été proposée pour le traitement des milieux agricoles à péri-urbains. Des améliorations supplémentaires ont été apportées pour le traitement des milieux urbains, en modélisant notamment l'analyse combinatoire comme un problème d'optimisation et ont conduit à la méthode Combinatorial OptimisatioN for 2D ORganisation (CONDOR). Les performances de cette méthode ont été évaluées et comparées à celles de méthodes de référence. Elles ont révélé des améliorations visuelles et numériques de la qualité de la reconstruction et ont montré que la limitation la plus importante provient de la non-représentation du domaine SWIR [1,0 - 2,5 µm] dans l'image PAN en entrée de la fusion. Un nouveau choix d'instrumentation, reposant sur l'utilisation d'une seconde voie PAN dans le domaine SWIR II [2,0 - 2,5 µm], a ainsi été introduit pour dépasser cette limitation. Les méthodes Gain-2P et CONDOR-2P, extensions des méthodes Gain et CONDOR prenant en compte cette seconde voie PAN, ont été développées. L'analyse des résultats a révélé l'apport conséquent de ces deux méthodes étendues (jusqu'à 60 % et 45 % d'amélioration par rapport à leurs versions initiales sur des données respectivement péri-urbaines et urbaines) ainsi que l'amélioration de la qualité de l'image fusionnée avec CONDOR-2P par rapport à Gain-2P (jusqu'à 9 % d'amélioration). Enfin, une étude de sensibilité a été menée afin d'évaluer la robustesse des méthodes proposées vis-à-vis des défauts et caractéristiques instrumentaux (rapport de résolutions spatiales, déregistration, bruit et fonction de transfert de modulation), en choisissant des configurations représentatives des instruments satellitaires existants. Malgré la sensibilité de l'ensemble des méthodes aux différents paramètres, les analyses ont montré que CONDOR-2P obtient quasi-systématiquement la meilleure qualité de reconstruction, et se révèle particulièrement robuste vis-à-vis de l'augmentation du rapport de résolutions spatiales (10 % d'amélioration par rapport à Gain-2P pour une valeur de 8 en milieu péri-urbain). Note de contenu : 1- Introduction 2- Etat de l'Art 3- Construction de jeux de données de complexité variable 4- Développement d'une procédure robuste d'évaluation de performances 5- Evolution de SOSU pour des scènes de complexité spatiale réduite : CASTOR 6- Evolutions de CASTOR pour des scènes urbaines : CONDOR 7- Prise en compte d'une seconde voie PAN dans le domaine spectral SWIR II 8- Etude de sensibilité 9- Conclusion et perspectives Numéro de notice : 24019 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Physique : Toulouse : 2022 Organisme de stage : ISAE-ONERA OLIMPES DOI : sans En ligne : https://www.theses.fr/2022ESAE0023 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101791

A novel unmixing-based hypersharpening method via convolutional neural network / Xiaochen Lu in IEEE Transactions on geoscience and remote sensing, vol 60 n° 1 (January 2022)  

Permalink

A novel method based on deep learning, GIS and geomatics software for building a 3D city model from VHR satellite stereo imagery / Massimiliano Pepe in ISPRS International journal of geo-information, vol 10 n° 10 (October 2021)  

Permalink

Hyperspectral image fusion and multitemporal image fusion by joint sparsity / Han Pan in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 9 (September 2021)  

Permalink

Detail injection-based deep convolutional neural networks for pansharpening / Liang-Jian Deng in IEEE Transactions on geoscience and remote sensing, vol 59 n° 8 (August 2021)  

Permalink

Unsupervised pansharpening based on self-attention mechanism / Ying Qu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)  

Permalink

Pan-sharpening via multiscale dynamic convolutional neural network / Jianwen Hu in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 3 (March 2021)  

Permalink

GTP-PNet: A residual learning network based on gradient transformation prior for pansharpening / Hao Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 172 (February 2021)  

Permalink

Amélioration des résolutions spatiale et spectrale d’images satellitaires par réseaux antagonistes / Anaïs Gastineau (2021)  

Permalink

A review of image fusion techniques for pan-sharpening of high-resolution satellite imagery / Farzaneh Dadrass Javan in ISPRS Journal of photogrammetry and remote sensing, vol 171 (January 2021)  

Permalink

fusionImage: An R package for pan‐sharpening images in open source software / Fulgencio Cánovas‐García in Transactions in GIS, Vol 24 n° 5 (October 2020)  

Permalink