سابِق|تال

تنقية ذاتية لصور الاستشعار عن بعد مدمجة مع تعزيز الميزات وتعلم التباين

  • role： First author第一作者
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

  • Email：228002070392@stu.nepu.edu.cn
  • Introduction：何晓晴，研究方向为遥感图像处理。E-mail： 228002070392@stu.nepu.edu.cn
HE Xiaoqing1,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

    Bohai-Rim Energy Research Institute, Northeast Petroleum University, Qinhuangdao 066004, China

  • Email：wangzhibao@nepu.edu.cn
  • Introduction：王志宝，研究方向为遥感大数据。E-mail： wangzhibao@nepu.edu.cn
WANG Zhibao12*,  
  • Affiliation：

    School of Communication and Electronic Engineering, Qiqihar University, Qiqihar 161000, China

ZHAO Man3,  
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

    University of Chinese Academy of Sciences, Beijing 100049, China

CHEN Liangfu145,  
  • Affiliation：

    School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

BI Xiuli6

ملخص

نظرًا للطريقة الفريدة لاكتساب صور الاستشعار عن بعد، فإن عملية جمعها تتأثر بسهولة بالتداخل الضوضائي، مما يؤدي إلى تدهور المعلومات بشدة، ومن الصعب الحصول على صور نظيفة وضوضائية لنفس المشهد في العالم الواقعي. لذلك، أصبح التنقية الذاتية للصور مجال بحثي شائع. بالنسبة لصور الاستشعار عن بعد ذات النسيج المعقد، توجد مشاكل فقدان التفاصيل وتشويش الخلفية في طرق التنقية الحالية. بناءً على ذلك، تقدم هذه الورقة خوارزمية تنقية ذاتية للإشارات عن بعد تعتمد على تعزيز الخصائص وتعلم التباين، وتتكون من فرعين: فرع التنقية وفرع المقارنة. في فرع التنقية، تم تصميم شبكة تنقية باستخدام مشفر ذاتي تلافيفي معزز الخصائص، حيث تم إدخال وحدة استخراج الخصائص العالمية ووحدة استخراج الانتباه للحصول على خصائص المخطط السطحي على مقياس مختلف والخصائص التفصيلية المحلية. ثم، يتم توسيع مجال الاستقبال بفضل وحدة تعزيز الخصائص الديناميكية لدمج معلومات الهيكل المكاني بشكل أكبر. أخيرًا، يتم الحفاظ على تدفق المعلومات العميقة والسطحية من خلال عملية دمج ديناميكية وتكيفية في وحدة إعادة بناء الصورة. في فرع المقارنة، تستفيد الخوارزمية من المعلومات التي تحملها الصور الضوضائية باستخدام استراتيجية تعلم التباين لبناء خسارة إدراكية تباينية جديدة، وتستخدم خسارة إعادة البناء والخسارة الإجمالية للتغير لقياس نعومة التنقية والحفاظ على التفاصيل، مما يقلل بشكل فعّال من تشويش الخلفية. أخيرًا، تم مقارنة الطريقة المقترحة بطرق التنقية الأخرى على مجموعتي بيانات NWPU-RESISC45 وUC Merced Land Use. أظهرت النتائج أن الطريقة المحورية حسنت متوسط نسبة الإشارة إلى الضوضاء الذروية للضوضاء الغاوسية بمقدار 1.47-4.34 ديسيبل و2.06-4.95 ديسيبل، وزادت متوسط التشابه البنيوي بنسبة 2.3%-11.8% و2.6%-11.5%. بالإضافة إلى ذلك، حققت الطريقة نتائج جيدة في إزالة الضوضاء على صور الاستشعار عن بعد ذات ضوضاء النقط، والضوضاء الخطية، والضوضاء الحقيقية.

مفهوم

الاستشعار عن بعد;تنقية الصور;التعلم العميق;التعلم الذاتي;المشفر الذاتي;تعلم التباين;خسارة الإدراك التبايني;الحفاظ على التفاصيل

اقتباس

صور اﻻستشعار عن بعد البصرية باعتبارها وسيلة هامة للحصول على المعلومات قد استخدمت على نطاق واسع في الكشف عن تغير الغطاء الأرضي )Feng等，2023تحديد أهداف آبار النفط )Zhang等，2023bتجزئة الدلالي لأنابيب النفط والغاز )Wang等，2024a) وغيرها من المجالات . ومع ذلك ، فإن الخصائص الفيزيائية من أجهزة الاستشعار عن بعد والتصوير تدخل البيئة الخارجية غالبا ما تجعل صور الاستشعار عن بعد عرضة كلمة الضوضاء ، مما يؤدي إلى تدهور محتوى المعلومات . هذا النوع من التدهور لا يؤثر فقط على قراءة الصورة ، ولكن أيضا يؤثر على دقة تجهيز المصب المهمة . ولذلك ، كفاءة إزالة الضوضاء في الاستشعار عن بعد صورة تجهيزها لا تزال مشكلة رئيسية .
طرق تقليل تشويش الصورة التقليدية عادة ما تستخدم بعض أساليب التصفية )Yu等，2022وJia等，2022لإزالة الضوضاء ، ولكن من السهل جدا على نحو سلس في مستويات الضوضاء العالية . من أجل الحفاظ على أفضل الملمس ملامح الصورة ، وقد تم استخدام كامل التغييريةGeng等，2023طريقة تقليل تشويش الصورة ، ولكن تعديل المعلمة معقدة و حساب تكلفة عالية . بالمقارنة مع الأساليب التقليدية ، طريقة تقليل تشويش على أساس عمق التعلم يمكن أن كفاءة استخراج خصائص الطبقات العميقة والضحلة ، ويمكن إزالة الضوضاء على نحو أفضل .Zhang等（2017）هذه الطريقة تعتبر المعيار في مجال تقليل تشويش الصورة . . . . . . . بعد ذلكZhang等（2018）كما اقترح أن ffdnet يمكن التعامل مع مجموعة أكبر من مستويات الضوضاء . بعد ذلكLehtinen等（2018）في هذه الورقة ، طريقة تقليل تشويش الصورة المقترحة ، التي يمكن أن تقلل من الضوضاء من الصور النظيفة . من أجل إزالة هذا القيد ،Moran等（2020）الصورة الأصلية من الضوضاء يمكن أن يكون معطوبا من قبل الضوضاء ، ولكن الخلفية طمس بسهولة .Huang等（2022）ثم كلمة المتاخمة العينات الفرعية المستخدمة في التدريب على أخذ العينات . مؤخراLi等（2023）مختلف آليات الرقابة الزائفة هي التي شيدت على التوالي في المناطق المسطحة والملمس المناطق من الصورة ، مما يحسن من أداء الرقابة الذاتية تقليل تشويش تحت الضوضاء الحقيقية . . . . . . . ولكن هذا الأسلوب يحتاج إلى تدريب العديد من الشبكات الفرعية ، مما يؤدي إلى ارتفاع تكاليف التدريب .Pan等（2023）في هذه الورقة ، فإننا نقترح استراتيجية توليد العينات العشوائية الفرعية للتخفيف من مشكلة نقص العينات ، ولكن هذا الأسلوب هو أكثر حساسية في اختيار العينات الاضطرابات .Zhang等（2023a）في هذه الورقة ، فإننا نقترح استراتيجية متعددة قناع للقضاء على الارتباط المكاني الضوضاء . وفي الوقت نفسه ، ونحن الجمع بين ميزة استخراج طبقة متعددة قناع مع شبكة العمياء ، والتي يمكن إزالة الضوضاء الحقيقية على نحو فعال . على عكس التقليدية تقليل تشويش الصورة ، الصورة الطبيعية عادة ما يتم تصويرها في بيئة مستقرة نسبيا مع ارتفاع القرار . ومع ذلك ، فإن البيئة البصرية الاستشعار عن بعد صورة معقدة جدا ، القرار يختلف كثيرا و يحتوي على أكثر تعقيدا الملمس الميزة .
في مجال الاستشعار عن بعد تقليل تشويش الصورة على أساس التعلم العميق ، يمكن تقسيمها إلى ثلاثة أنواع : الإشراف ، والإشراف على الذات . هناك طرق الإشراف التي تحتاج إلى استخدام زوج من الصور النظيفة والضجيج لتدريب الشبكة . من أجل استخراج المعلومات التفصيلية على نحو أفضل ،Han等（2022）المقاييس ميزة استخراج وحدة والاهتمام الآلية المستخدمة لإزالة الضوضاء . مؤخراWang等（2024c）في هذه الورقة ، فإننا نقترح تحسين خوارزمية على أساس transformer.u-denoised الوحدة المستخدمة للحد من الفجوة بين السمات الدلالية الصورة ورسم الخرائط .Cheng等（2025）جنبا إلى جنب مع عمق التفاعل الشبكة الفرعية ، المقاييس ملامح صور الاستشعار عن بعد يتم استخراجها ، وبالتالي تجنب فقدان التفاصيل . ومع ذلك ، فإنه من الصعب الحصول على صورة نظيفة والضوضاء في نفس المشهد .
من أجل خفض تكلفة الحصول على البيانات ، اقترح الباحثون غير طريقة تقليل تشويش ، والتي لا تحتاج إلى أي علامات وهمية على هيكل وتوزيع البيانات مباشرة .Liu等（2023b）أولا ، الضوضاء نموذج تم الحصول عليها باستخدام الصور المتبقية و كلمة قناع ، ثم شبه الإشراف على الوحدة المستخدمة في تقليل تشويش .Li等（2024）بناء اثنين من فرع رقطة إزالة الشبكة يمكن أن تقلل بشكل فعال من رقطة الضوضاء في صور الاستشعار عن بعد . مؤخراLuo等（2024）شبكة الاستشعار عن بعد تقليل تشويش الصورة على أساس التعلم غير التكيفية صمم . على الرغم من أن أساليب غير خاضعة للرقابة لا تحتاج إلى زوج من بيانات التدريب ، فإنه يعتمد إلى حد كبير على دقة تقدير الضوضاء النموذج ، والتي قد تستهلك المزيد من الموارد الحاسوبية والوقت في تحسين الضوضاء المعقدة النموذج .
طريقة الرصد الذاتي يجمع بين مزايا كل من أساليب المراقبة وغير المراقبة ، ويمكن أن تولد إشارات المراقبة من البيانات غير ملحوظ و تعلم ميزة التمثيل الفعال )Tao等，2023. لاLiu等（2023a）هذه الورقة تقترح ديناميكية التكيف الذاتي توجيه الانتباه ( daa-ssid ) شبكة الاستشعار عن بعد صورة واحدة الإشاعة ، والتي يمكن القضاء على نحو فعال غاوسي الضوضاء في صور الاستشعار عن بعد .Wang等（2024b）جنبا إلى جنب مع فكرة التعلم على النقيض من ذلك ، ونحن بناء زوج من العينات الإيجابية والسلبية ، والحصول على تأثير جيد على تقليل تشويش صور اﻻستشعار عن بعد . وعلاوة على ذلك ، convolutional التشفير الذاتي هو نوع من الإشراف الذاتي على نموذج مشترك ، والتي يمكن الحفاظ على الخصائص المحلية و تفاصيل الصورة تلقائيا استخراج ميزة التمثيل من خلال عملية فك التشفير والترميز .Thai等（2023）الهجين التلقائي التشفير التغييرية المقترحة لإزالة الضوضاء . من أجل تحسين جودة الصورة دي إشاعة ،张杰等（2024）في هذه الورقة ، فإننا تصميم شبكة كثيفة المتبقية convolutional التشفير الذاتي لاستخراج السمات العميقة من الصورة . ومع ذلك ، صور اﻻستشعار عن بعد تحتوي على المزيد من التفاصيل والملمس ، الأساليب القائمة لا تزال لديها مجال للتحسين في التفاصيل .
على الرغم من أن العديد من الإنجازات التي تحققت في عمق التعلم القائم على تقليل تشويش ، لا تزال هناك تحديات مثل فقدان التفاصيل وعدم فعالية فقدان الإدراك الحسي . في هذه الورقة ، فإننا نقترح طريقة تقليل تشويش الصورة على أساس الميزة تعزيز النقيض من التعلم ، والتي لا تحتاج إلى زوج من الصور النظيفة والضجيج الصور . في تقليل تشويش فرع ، ميزة تعزيز convolutional التشفير الذاتي تقليل تشويش الشبكة المقترحة . ثم يتم استخدام وحدة استخراج الانتباه إلى التركيز على نسيج معقد من الميزات . ثانيا ، ميزة دينامية تعزيز وحدة تستخدم لتجميع معلومات الهيكل المكاني . في الماضي ، ديناميكية التكيف الذاتي عملية الخلط هو عرض في صورة بناء وحدة ، مما يجعل من عمق ضحل ميزات أفضل تنصهر . في المقابل فرع ، ونحن الاستفادة الكاملة من ميزة المعلومات التي يحملها الضوضاء صورة تصميم جديد على النقيض من فقدان الإدراك الحسي باستخدام مختلف استراتيجيات تعزيز البيانات ، وفي الوقت نفسه ، ونحن الجمع بين بناء الخسارة مع مجموع الخسارة التغييرية للحفاظ على حافة تفاصيل الصورة بشكل أفضل . في هذه الورقة ، على أساس nwpu-resisc45 وجامعة كاليفورنيا merced استخدام الأراضي ، مقارنة مع الأساليب القائمة على تقليل تشويش للتحقق من فعالية ومتانة الطريقة المقترحة في ظل ظروف الضوضاء المختلفة .

طرق البحث

2-1 الإطار العام

Fig. 1الإطار العام لإزالة الضوضاء من صور الاستشعار عن بعد ، وتنقسم إلى مراحل التدريب )Fig. 1مراحل التفكير )Fig. 1. لا في تقليل تشويش فرع ، أولا ، يتم إنشاء صورة صاخبة من خلال تعزيز البيانات العملية ، ثم يتم إرسال صورة صاخبة في تقليل تشويش الشبكة fcadnet لإعادة بناء الصورة . في المقابل فرع الصورة الأصلية هو تحسين البيانات باستخدام عمليات مختلفة عن تلك التي في السابق ، تغيير الخصائص البصرية من الصورة دون إدخال المزيد من الضوضاء . ثم ، الإيجابية والسلبية أزواج عينة يتم بناؤها بين الضوضاء وغيرها من الصور المحسنة وإرسالها إلى ميزة موحدة الفضاء . وأخيرا ، إعادة بناء الخسارة ، مجموع الخسارة التغييرية ، وعلى النقيض من الخسارة المدركة تستخدم دالة الخسارة المشتركة لتوجيه شبكة التدريب . في مرحلة الاستدلال ، الضوضاء الصورة تنتقل إلى fcadnet للحصول على تقليل تشويش الصورة .
figure
figure

Fig. 1 Overall framework

ميزة تعزيز convolutional التشفير الذاتي تقليل تشويش الشبكة

في هذه الورقة ، ميزة تعزيز convolutional التشفير الذاتي تقليل تشويش الشبكة fcadnet يتكون من أربعة أجزاء ، وهي ميزة عالمية استخراج وحدة gfem والاهتمام استخراج وحدة AEM ، ودينامية ميزة تعزيز وحدة ماركا و إعادة بناء الصورة وحدة IRM ، على التوالي .Fig. 2كما هو مبين . مدخلات الشبكة هو الضوضاء صور اﻻستشعار عن بعد ، أولا ، من خلال ميزة عالمية استخراج وحدة gfem ، ميزة استخراج طبقة ضحلة من جداول مختلفة . ثم ، من خلال أربع عمليات أخذ العينات والاهتمام استخراج وحدة ( AEM ) المحلية ميزة التمثيل في مختلف القرار المساحات المدروسة . من أجل دمج المزيد من المعلومات الهيكلية المكانية ، ميزة ديناميكية تعزيز وحدة ماركاً ألمانياً بنيت لتعزيز القدرة على تغيير الشبكة . في الماضي ، ونحن الحصول على تقليل تشويش الصورة باستخدام أربع عمليات أخذ العينات وإعادة بناء الصورة وحدة IRM . في صورة بناء وحدة إدارة الحقوق الرقمية ، ديناميكية التكيف الذاتي عملية الهجين آمو مثل الصمامات العميقة والضحلة تدفق المعلومات للحد من فقدان الميزة .
figure

Fig. 2 FCADNet network architecture

ميزة استخراج وحدة عالمية

بالمقارنة مع التقليدية الإلتواء ، ثقب الإلتواء يمكن توسيع مجال الاستشعار دون زيادة كبيرة في المعلمات والحفاظ على صورة القرار . ميزة عالمية استخراج وحدة gfem يتكون من أربعة فروع ، على سبيل المثالFig. 3كما هو مبين . في الوقت الحاضر ، العديد من الأساليب التي تستخدم تجويف الإلتواء مع معدل التوسع من 1 ، 3 ، 5 ، 7 ، ولكن هذا النوع من التوسع في معدل زيادة خطوة ثابتة يمكن أن يؤدي بسهولة إلى تأثير الشبكة . . . هذه الورقة تشير إلى طريقة تصميم تجويف الإلتواء HDC )Wang等，2018باستخدام مشرشف مثل سن المنشار معدل التوسع 1 ، 2 ، 3 ، 2 لتحسين استخدام بكسل في حساب المنطقة . ثم ، أربعة فروع هي ميزة تنصهر ، ومجموع الناتج قناة أربع مرات بعد الربط . في الماضي ، ونحن استخدام 1 * 1 لفة طبقة لتحقيق ميزة تخفيض الأبعاد والحصول على ميزة عالمية، وتعرف عملية محددة على النحو التالي :
نوعصورة ضوضاءالإلتواء العادي ،ميزة طبقة الانصهار ،تفعيل وظيفة ،طبقة التطبيعالإلتواء من الفراغ ،قناة الإخراج ،حجم الإلتواء النواة ،معدل التوسع .
figure

Fig. 3 Global feature extraction module architecture

2-2-2 وحدة استخلاص الانتباه

آليات الاهتمام السابقة عادة ما تركز فقط على القنوات أو المعلومات المكانية ، دون النظر في التفاعل بين اثنين من المعلومات . بعد CBAM（Woo等，2018تقدير قناة الوزن المكاني ، على التوالي ، ثم الجمع بين اثنين من أجل تحقيق ثلاثة أبعاد الاهتمام الآلية ، ولكن حساب الوقت أطول . و سيم )Yang等，2021للتغلب على المشاكل المذكورة أعلاه ، ميزة التمثيل هو تعزيز حساب أهمية إعادة الترجيح لكل ميزة القناة . لنفترض أن موتر من الرسم البياني هو سمة， ج > ح > و > عدد القنوات ، الطول والعرض ، على التوالي ، ثمالمادةميزة الرسم البياني قناة . أولا ، كل ميزة الرسم البياني قناةحساب أهمية، الصيغة الحسابية هي كما يلي :
نوعو .يعني الانحراف المعياري ،هو صغير جدا عدد موجب يمنع القسمة على صفر . ثم ، يتم استخدام وظيفة السيني خريطة جزء كبير في الاهتمام معامل، أي :
وأخيرا ، الانتباه معاملتنطبق على السمات الأصلية ، أي :
وبناء على ذلك ، فإن الاهتمام استخراج وحدة AEMFig. 2كما هو مبين . كل AEM أولا يمر من خلال مجموعتين من 3 * 3 لفات ، دفعة التطبيع و تفعيل وظيفة طبقة للحصول على متوسط الميزة . ثم ، يتم إرسال ميزة وسيطة في سيم للحصول على تعزيز الميزة .وتعرف العمليات المحددة على النحو التالي :
نوعميزة الإخراج النهائي من الوحدة السابقة .

ميزة ديناميكية تعزيز وحدة

أخذ العينات من مواقع convolutional التقليدية عملية ثابتة ، والتي لا يمكن أن تتكيف بشكل جيد مع التحولات الهندسية من الأهداف .Fig. 4كما هو مبين . مستوحاة من أعلاه ، فإن هذه الورقة يبني ميزة ديناميكية تعزيز وحدة ماركاً ألمانياً من خلال تشوه الإلتواء لتحسين القدرة على تحويل النموذج . لأن حساب الإزاحة العادية الإلتواء يمكن أن تزيد بشكل كبير من المعلمات من الشبكة ، ونحن استخدام عمق فصل الإلتواء بدلا من التقليدية الإلتواء . على وجه التحديد ، أولا ، إزاحة يمكن الحصول عليها باستخدام عمق للانفصال الإلتواء ، ثم موقف المؤشر بعد كل عنصر أساسي هو مشوه تحول يمكن الحصول عليها ، ثم القيمة الذاتية في موقف غير صحيح يمكن الحصول عليها عن طريق استخدام ثنائي الاستيفاء ، ثم إزاحة ميزة الرسم البياني يمكن أن تكون مجتمعة في الشكل الأصلي ميزة الرسم البياني .وتعرف العمليات المحددة على النحو التالي :
نوععمق للانفصال الإلتواء ،من أجل إعادة بناء ميزة الرسم البياني وظيفة ،ثنائي الاستيفاء وظيفة ،مؤشر الدالة على إزاحة الموقف . في نهاية المطاف ، اثنين من الميزات الديناميكية تعزيز وحدات تستخدم لتجميع المزيد من المعلومات المكانية .
figure

Fig. 4 Dynamic feature enhancement module architecture

2-2-4 وحدة إعادة بناء الصورة

جنبا إلى جنب مع زيادة عمق الشبكة ، بعض الميزات السطحية مثل حافة كفاف سوف تتدهور تدريجيا . القفز التقليدية وصلات تفتقر إلى المرونة في دمج مستويات مختلفة وأحجام من الميزات . في هذه الورقة ، فإننا تصميم ديناميكية التكيف عملية الهجين آمو الذي يجمع بين المعلومات الضحلة والعميقة مثلFig. 5كما هو مبين . أعطىو .الضحلة والعميقة على التوالي . أولا ، يتم الحصول على ميزة الانصهار الأولية باستخدام عملية الربط . ثم ، من خلال 1 × 1 و السيني وظيفة ، ونحن الحصول على تعلم الوزن الانصهار
نوعمجموعة من القيم ( 0 ، 1 ) ، < أنا > السيني وظيفة . ثم مرة أخرىتعمل على خصائص طبقة ضحلةالخصائص العميقةالحصول على ميزة الانصهارأي
وأخيرا ، كل صورة بناء وحدة IRM يتكون من عمو و مجموعتين من 3 * 3 لفة طبقات ، طبقة دفعة التطبيع وتفعيل وظيفة طبقة .وفيما يلي عملية التعريف المحددة :
هذا الأسلوب يمكن أن تولد الأوزان بشكل حيوي وفقا لمحتوى المدخلات ميزة الرسم البياني ، وبالتالي تحسين المرونة ميزة الانصهار والحفاظ على مزيد من التفاصيل من الميزات .
figure

Fig. 5 Dynamic adaptive mix-up operation

2-3 مقارنة الخسائر المدركة

في هذه الورقة ، فإننا بناء على النقيض من فقدان الإدراك الحسي من أجل تعزيز القدرة على إدراك محتوى الشبكة . بواسطة simclr )Chen等，2020من خلال الكشف عن مجريات الأمور ، ونحن بناء زوج من العينات الإيجابية والسلبية باستخدام اثنين من أساليب مختلفة لتعزيز نفس الصورة . أولا ، الضوضاء الاصطناعية الصورة تعتبر أول تعزيز عينة من صورة نظيفة و سجلت مرساة . بعد ذلك ، سلسلة من تقنيات تحسين البيانات الأخرى ، مثل الوجه ، لون التحول ، لقطة ، يتم تطبيقها على نفس مجموعة من الصور النظيفة مثل تعزيز العينة الثانية ، والتي يمكن تغيير الخصائص البصرية من الصورة دون إدخال المزيد من الضوضاء . حيث ، مرساة تعزيز عينة مع نفس المحتوى تشكل عينة إيجابية الزوج ، مرساة تعزيز عينة مختلفة مع المحتوى تشكل عينة سلبية الزوج . فيلكل عينة ، عينة إيجابية الزوجعينة سلبية أزواج ، عملية البناءFig. 6كما هو مبين . ثم ، في هذه الورقة ، فإننا اختيار نموذج التدريب قبل vgg19 ميزة الفضاءميزة المعلومات المستخرجة من مستويات مختلفة ، وعلى النقيض من الخسارة المدركةمن أجل تجنب الإفراط في تجانس ، شبكة تركز على الملمس ، حافة هيكل ميزة في الصورة . الصيغة المحددة هي كما يلي :
في الصيغة ، ن > يشير إلى حجم batchsize أثناء التدريب ، م > يشير إلى عدد من طبقات vgg19 . . . . . . .هو عامل الترجيح الذي يتحكم في أوزان طبقات مختلفة من vgg19 . . . . . . .تمثيلمع .بينالقاعدة ، صيغةواستخراجطبقة VGG19 .المادةصورة صاخبةالمادةعينة محسنة ،المادةصورة صاخبة مع نفس المحتوى .تعزيز عينة . درجة الحرارة المعلمةضبط المسافة بين العينات .
figure

Fig. 6 Construction process of positive and negative pairs

2-4 خسائر التعمير

الضحلة هيكل المعلومات من الصورةالخسارة هي خسارة التعمير . مقارنة معخسارةالخسارة ليست حساسة إلى القيم المتطرفة و لا تجانس النتائج ، إلى حد ما ، يساعد على الحفاظ على حافة الصورة . ولذلك ، استخدامفقدان قياس تقليل تشويش الصورةصورة الهدفالفرق بين مستويات بكسل هو أكثر ملاءمة . الصيغة المحددة هي كما يلي :

2-5 مجموع الخسائر التغييرية

في تقليل تشويش الصورة المهمة ، وقد استخدمت على نطاق واسع في الأعمال السابقة متباين الخواص التغييرية مجموع الخسارة كنوع من تنظيم الأسلوب . تباين مجموع التغييرية يمكن الحفاظ على حواف الصورة والتفاصيل بشكل أفضل عن طريق التقليل من الاختلافات بين المتاخمة بكسل في الصورة . تقليل تشويش الصورة هناوفيما يلي صيغة الحساب المقترحة على وجه التحديد :
نوعتمثل الصورة في الموقعقيمة بكسليمثل الفرق المطلق بين المتاخمة بكسل من الصورة في الاتجاه الأفقي ،يمثل الفرق المطلق بين المتاخمة بكسل من الصورة في الاتجاه الرأسي . مجموع التغييرية تقليل تشويش الصورة يمكن الحصول عليها على نحو فعال من خلال حساب مجموع القيم المطلقة من هذه الاختلافات من أجل القضاء على الضوضاء .

دالة الخسارة المشتركة

وأخيرا ، فإن مجموع موزون من إعادة بناء الخسارة ، مجموع الخسارة التغييرية ، وعلى النقيض من الخسارة المدركة تعتبر عموما الهدف الأمثل . وتعرَّف دالة الخسارة المشتركة على النحو التالي :
نوعيمثل hyperparameter السيطرة على مختلف مستويات الخسارة المساهمة .

الإعداد التجريبية وتحليل النتائج

3-1 الإعداد التجريبي

البيئات المستخدمة في التجربة هي بيثون 3-8 ، pytorch 1-11.0 ، Mindspore و نفيديا A100 تينسور الأساسية زوجته ، كودا الإصدار 11-3 . في عملية التدريب ، حجم الدفعة هو 16 ، مجموع عدد epoch التدريب هو 150 ، معدل التعلم الأولي هو 0.0001 ، آدم محسن يستخدم لتدريب النموذج ، معدل انحطاط أسي < أنا > β < 1 > < / أنا > β < / أنا > 2 > 0.9 و 0.999 ، على التوالي . من أجل تجنب التدرج انفجار ، التمام الصلب استراتيجية تستخدم لضبط معدل التعلم . وفقا للتجربة ، ومعاقبة المعلمة < < < < < 1 λ λ < < < < 1 λ < < < < < 1 λ < 2 λ < < < 1 ، 0.1 و 1 e < sup-4 sup > على التوالي . وبالإضافة إلى ذلك ، فإن درجة الحرارة المعلمة تاو > أنا > 0.1 . ميزة الكامنة في الفضاء هو موحد مقيدة في نموذج ما قبل التدريب vgg19 خمس طبقات من الميزات المحتملة المستخرجة من أول طبقة ، طبقة 3 ، 5 ، 9 ، 13 ، على التوالي ، المقابلة الأولى الإلتواء طبقة في كل مرحلة من مراحل vgg19 . . . . . . . وفي الوقت نفسه ، يتم تعيين معاملات الترجيح المناسبة < < < أنا > ω < / م > 1 / 32 ، 1 / 16 ، 1 / 8 ، 1 / 4 ، 1 ، على التوالي . هذه معاملات الترجيح يتناسب عكسيا مع ضغط متعددة من القرار المكانية في كل مرحلة من مراحل vgg19 ، وبالتالي تشكيل أسي الترجيح الاستراتيجية .

3-2 إعدادات مجموعة البيانات

موضوع هذه الورقة هو الضوء المرئي صور اﻻستشعار عن بعد . من أجل تجربة الضوضاء الاصطناعية ، واثنين من مجموعات البيانات المرجعية المستخدمة في الاستشعار عن بعد مشاهد . nwpu-resisc45 مجموعة البيانات )Cheng等，2017يحتوي على 45 أنواع من المشاهد ، كل فئة لديها 700 صورة ، حجم الصورة 256 × 256 ، القرار المكانية 0.2-30 م 600 من كل فئة يتم اختيارها عشوائيا من مجموعة التدريب ، و 4500 المتبقية كما اختبار مجموعة . جامعة كاليفورنيا في ميرسيد لاند استخدام مجموعة البيانات )Yang和Newsam，2010يحتوي على 21 أنواع من المشاهد ، كل فئة لديها 100 صورة ، حجم الصورة 256 * 256 ، القرار المكانية 0.3 م . ثم ، غاوسي الضوضاء < σ = ( 0 ، 75 ) ، رقطة الضوضاء < أنا > أنا > أنا = ( 0 ، 75 ) تستخدم لتدمير لهم ، على التوالي .
من أجل إثبات صحة هذه الطريقة ، 0.5 م + 2 م متعدد الأطياف ملزمة البيانات التي تم الحصول عليها من الأقمار الصناعية جيلين صورة المنطقة هي مدينة جينغمن بمقاطعة هوبى ، وتقع في 111 ° 51 ′ e-113 ° 29 ′ e و 30 ° 32 ′ n-31 ° 36 ′ n.30 subimages مع الضوضاء التي تم الحصول عليها من هذه subimages تشكل مجموعة اختبار صغير ، حجم الصورة هو 256 × 256 . مجموعة بيانات الإيدز )Xia等，2017بعض صور اﻻستشعار عن بعد التي تحتوي على الضوضاء الحقيقية المختارة في هذه الورقة ، و القرار من مجموعة البيانات هو 0.5-8.0 م و حجم الصورة هو 600 × 600 . في هذه الورقة ، جسر الصور مع ضوضاء واضحة يتم اختيار بيانات الاختبار ، و حجم الصورة هو 256 * 256 ، ما مجموعه 20 .

3-3 أساليب المقارنة ومؤشرات التقييم

في هذه الورقة ، bm3d التقليدية طريقة تقليل تشويشDabov等，2007اثنين من أساليب تقليل تشويش تحت إشراف ( dncnn ) .Zhang等，2017و ffdnet )Zhang等，20183 طرق تقليل تشويش ذاتي ( NE2NE )Huang等，2022و DAA-SSID（Liu等，2023aسا SSID )Li等，2023و اثنين من أساليب تقليل تشويش NR2N غير خاضعة للرقابة )Moran等，2020و GR2R )Liu等，2023b. لا في هذه الورقة ، ذروة نسبة الإشارة إلى الضوضاء ( PSNR ) و التشابه الهيكلي مؤشر مباحث أمن الدولة ( مباحث أمن الدولة ) تستخدم كمؤشر لتقييم الضوضاء الاصطناعية مجموعات البيانات مع الأرض الحقيقة . في هذه الورقة ، على أساس تقييم جودة الصورة بدون إشارةMittal等，2012نيك )Mittal等，2013كما مؤشر التقييم ، وانخفاض درجة كل من يدل على أفضل جودة الصورة .

3-4 نتيجة تحليل الضوضاء الاصطناعية مجموعة البيانات

PSNR و مباحث أمن الدولة تستخدم لتقييم أداء مختلف أساليب تقليل تشويش في التجارب . عندما يكون مستوى الضوضاء التمويه < أنا > σ > أنا > 10 , 25 , 50 و 75 ، هذه الطريقة مقارنة مع غيرها من أساليب تقليل تشويش على nwpu-resisc45 وجامعة كاليفورنيا mercedland استخدام مجموعات البيانات .Table 1كما هو مبين . ومن الواضح أن أفضل النتائج التي تم الحصول عليها في مختلف مستويات الضوضاء التمويه ، تليها dncnn . . . . . . . في حالة انخفاض مستوى الضجيج ، gr2r أفضل من daa-ssid ، ولكن مع زيادة مستوى الضجيج ، daa-ssid أفضل من gr2r . . . . . . . هذا هو لأن gr2r يستخدم كلمة قناع لتوليد الضوضاء نموذج ، وسوف تفقد بعض المعلومات بكسل . daa-ssid يمكن تجنب فقدان المعلومات عن طريق أخذ عينات عشوائية برنولي عدة مرات ، والتي لديها بعض المزايا في مواجهة ارتفاع مستوى الضجيج . وبالإضافة إلى ذلك ، bm3d و nr2n الحصول على أسوأ النتائج في اثنين من مجموعات البيانات . هذا هو لأن bm3d يمكن أن تجد بالضبط صورة مماثلة كتل في انخفاض مستوى الضجيج ، وإزالة الضوضاء من خلال تحويل وتصفية . ومع ذلك ، مع زيادة مستوى الضجيج ، دقة مطابقة كتلة مماثلة يقلل ، مما يؤدي إلى خطأ في عملية تقليل تشويش . ومع ذلك ، nr2n يدمر الصورة الأصلية باستخدام الضوضاء الجديدة في عملية التدريب ، مما يؤدي إلى ارتفاع الضوضاء التدخل ، هذا الأسلوب لا يمكن إزالة الضوضاء بشكل جيد جدا .

Table 1 Quantitative metrics of denoising on gaussian noise by different methods

数据集方法平均PSNR平均SSIM
PSNRSSIMPSNRSSIMPSNRSSIMPSNRSSIM
NWPU-RESISC45BM3D32.790.91329.210.80225.130.65124.020.56827.790.73
DnCNN31.180.86626.410.698
FFDNet32.110.94529.350.87327.770.76526.350.69228.900.82
Nr2N32.470.90728.620.79125.860.65524.320.57027.820.73
Ne2Ne34.210.92229.640.81127.430.73626.130.67629.350.79
GR2R36.730.95628.020.75226.070.64630.560.81
DAA-SSID35.570.94931.180.87228.260.77530.420.83
FCADNet37.520.95832.910.88729.910.80528.300.74632.160.85
UC Merced Land UseBM3D31.430.90828.250.80125.210.68123.150.58727.010.74
DnCNN30.750.87126.090.717
FFDNet29.680.92527.640.86527.030.78225.810.71027.540.82
Nr2N31.270.89328.010.79125.440.68323.750.59327.120.74
Ne2Ne33.160.91429.310.81927.080.74925.760.69628.830.79
GR2R（35.050.93827.760.76725.760.66829.870.81
DAA-SSID34.350.93530.430.86727.950.78929.760.83
FCADNet38.570.96732.860.89129.830.82527.030.73632.070.85
علاوة على ذلكTable 2تقليل تشويش المؤشرات الكمية من أساليب مختلفة مع رقطة الضوضاء ( 0 ، 75 ) هامش الضوضاء ( 0 ، 75 ) المذكورة . لأن bm3d يهدف أساسا إلى الضجيج الجمعي غاوسي ، فإنه لا يمكن التعامل مع رقطة الضوضاء هامش الضوضاء مع هيكل قوي ، لذلك bm3d لا تستخدم طريقة المقارنة في المقارنة بين نوعين من الضوضاء . وعلاوة على ذلك ، من أجل التحقق من الابتكار في هذه الورقة ، طريقة جديدة sa-ssid الإشراف الذاتي هو عرض مقارنة . من .Table 2ومن الواضح أن في nwpu-resisc45 وجامعة كاليفورنيا ميرسيد الأرض uses45 مجموعات البيانات ، fcadnet يزيل رقطة الضوضاء أفضل ، على التوالي ، 1.06-7.47 ديسيبل و 0.77-7.26 ديسيبل أعلى من غيرها من أساليب PSNR . النتائج التجريبية تبين أن ne2ne و daa-ssid لا يمكن إزالة هامش الضوضاء ، وهذا هو ، لأن اثنين من الأساليب تتطلب بعضها مستقلة هامش الضوضاء لا يمكن إزالتها . وبالإضافة إلى ذلك ، sa-ssid يستخدم المعلومات المحلية عن بعد لإعادة بناء الصورة ، على الرغم من أنه يخفف من الاعتماد على الضوضاء الاستقلال والقدرة على التكيف مع الارتباط المكاني الضوضاء ، ولكن الاتجاه العالمي متسقة هامش عمودي الضوضاء ، هذا الأسلوب لا يمكن بناء شبه أشرف على إشارة ، تأثير إزالة هامش أقل من fcadnet و dncnn . . . . . . .

Table 2 Quantitative metrics for denoising different methods on speckle noise and stripe noise

数据集噪声类型指标DnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDSA-SSIDFCADNet
NWPU-RESISC45散斑噪声L=［0，75］PSNR36.1331.2630.2833.5633.4534.3837.75
SSIM0.9310.9240.8360.9000.9210.9290.956
条纹噪声I=［0，75］PSNR26.7735.7020.3226.4522.1538.9242.81
SSIM0.8100.9670.5990.7830.6780.9710.991
UC Merced Land Use散斑噪声L=［0，75］PSNR33.4529.2828.1231.7730.4432.2535.38
SSIM0.9030.8930.7840.8710.9050.9000.942
条纹噪声I=［0，75］PSNR25.0932.2820.7325.9621.5636.7740.36
SSIM0.7900.9220.6490.7970.6690.9290.980
مع مستوى الضوضاء 25 على سبيل المثال ، الرسم البيانيFig. 7هل أنت بخير ؟ - نعم -Fig. 9النتائج البصرية من أساليب مختلفة لإزالة التشويش الجاوسي ، رقطة الضوضاء هامش الضوضاء ، على التوالي . ملاحظةFig. 7معظم ملاعب التنس BM3D（Fig. 7و NR2N )Fig. 7بعد القضاء على الضوضاء التمويه ، التفاصيل المفقودة ، و خط أبيض من ملعب تنس هو غامض جدا . مقارنة مع أساليب أخرى ، FCADNet（Fig. 7الحفاظ على تفاصيل كاملة عن الموقع . منFig. 8يمكن أن ينظر إليه في منطقة التكبير ، DnCNN（Fig. 8قطعة أثرية حمراء تظهر على الجناح بعد إزالة رقطة الضوضاء ، في حين أن ffdnetFig. 8قطعة أثرية خطيرة ظهرت في الجناح و المنطقة البيضاء في الخلفية . DAA-SSID（Fig. 8سا SSID )Fig. 8بعد إزالة لطخة الضوضاء ، أكثر سلاسة من الخلفية . FCADNet（Fig. 8تقليل تشويش الصورة التي تم الحصول عليها يمكن أن تبقي على خطوط بيضاء صلبة في المطار . ملاحظةFig. 9معروف FFDNet（Fig. 9هناك الكثير من القطع الأثرية بعد إزالة هامش الضوضاء . DnCNN（Fig. 9و Nr2N（Fig. 9و Ne2Ne（Fig. 9و GR2R（Fig. 9سا SSID )Fig. 9لا تزال هناك خطوط عمودية واضحة في تقليل تشويش الصورة ، ولكن daa-ssidFig. 9الخلفية overexposure الظاهرة في تقليل تشويش الصورة التي تم الحصول عليها . وعلى النقيض من ذلك ، FCADNet（Fig. 9يمكن إزالة هامش الضوضاء على نحو فعال .
figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.7 Denoising results of different methods when gaussian noise σ=25

figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 8 Denoising results of different methods when speckle noise L=25

figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 9 Denoising results of different methods when stripe noise I=25

وفي الوقت نفسه ، فإن هذه الورقة يقارن الفرق بين أساليب مختلفة لإزالة الضوضاء بسيطة ومعقدة نسيج الصور تحت مستوى عال من الضوضاء . في هذه الورقة ، مطار الطبقة الطبقة السكنية من جامعة كاليفورنيا استخدام الأراضي merced مجموعة البيانات يتم اختيار عينات تجريبية بسيطة ومعقدة القوام ، على التوالي . النتائج الكمية و النتائج البصريةTable 3و .Fig. 10منTable 3مقارنة مع قبل إزالة الضوضاء ، PSNR بنسبة 15.27 ديسيبل و 15.05 ديسيبل ، على التوالي ، في حين أن مباحث أمن الدولة بنسبة 0.575 و 0.576 ، على التوالي . وبالإضافة إلى ذلك ، بالمقارنة مع أحدث daa-ssid ، PSNR بسيطة ومعقدة نسيج الصور التي تم الحصول عليها من fcadnet بعد إزالة الضجيج هو 1.84 ديسيبل و 2.02 ديسيبل أعلى من تلك التي تم الحصول عليها من daa-ssid ، على التوالي .Fig. 10نتائج التصور بسيطة ومعقدة الملمس الملمس الصور المعروضة . للطائرات في نسيج بسيط الصور ، يمكنك أن ترى daa-ssid )Fig. 10بعض التحف الحمراء تظهر في ظل الجناح . بالإضافة إلى ذلك ، في مجمع نسيج الصورة في المنزل ، FCADNet（Fig. 10ولي العهد الملمس هو أكثر وضوحا في تقليل تشويش الصورة . هذا يدل على أن الطريقة المقترحة يمكن أن تقلل بشكل فعال من الضوضاء في المناطق المعقدة الملمس صور اﻻستشعار عن بعد .

Table 3 Comparison of denoising effect on simple and complex textures remote sensing images

类型指标噪声图像DAA-SSIDFCADNet
简单纹理（飞机场类）PSNR14.2427.67（+13.43）29.51（+15.27）
SSIM0.2460.788（+0.542）0.821（+0.575）
复杂纹理（住宅区类）PSNR14.1527.18（+13.03）29.20（+15.05）
SSIM0.2330.782（+0.549）0.809（+0.576）
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 10 Denoising results for simple texture and complex texture images under high level of noise

تحليل نتائج الضوضاء الحقيقية مجموعات البيانات

ويستخدم هذا الفرع مؤشرات التقييم غير المرجعية مثل Brisque و NIQE . بالمقارنة مع غيرها من أساليب تقليل تشويش تأثير الطريقة المقترحة في هذه الورقة على الضوضاء الحقيقية بيانات اﻻستشعار عن بعد من جيلين 1 الأقمار الصناعية .Table 4كما هو مبين .Fig. 11تصور نتائج مختلف أساليب إزالة الضوضاء الحقيقية جيلين رقم 1 صور اﻻستشعار عن بعد المذكورة . لأن توزيع الضوضاء الحقيقية غير معروف ، أعمى تقليل تشويش هو المعتمد في هذه الورقة ، وجميع أساليب تقليل تشويش يتم تقييمها باستخدام نموذج الضوضاء < أنا > < / i σ = 10 . من .Table 4وتظهر النتائج أن تقليل تشويش تأثير nr2n و ne2ne هو أسوأ عند التعامل مع الضوضاء الحقيقية الصور التي تم الحصول عليها من الأقمار الصناعية جيلين 1 . وعلى النقيض من ذلك ، فإن الطريقة المقترحة أظهرت أداء أفضل في تقليل تشويش . من .Fig. 11مرئي Nr2N（Fig. 11و ne2ne )Fig. 11بعد إزالة الضوضاء ، الكثير من الضوضاء في الصورة الخلفية . BM3D（Fig. 11بعد إزالة الضوضاء ، لون التحول يحدث في منطقة منخفضة التشبع مع لون واحد مثل سطح الماء و الأرض . طرق أخرى للحصول على خلفية الصورة دي إشاعة غامض ، في حين أن fcadnet )Fig. 11تأثير مرئي أكثر وضوحا .

Table 4 Comparison of denoising effects of different methods on real noisy remote sensing images of Jilin 1

指标噪声图像BM3DDnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDFCADNet
BRISQUE↓30.4324.4622.3627.8945.2633.6126.8519.3418.15
NIQE↓5.505.064.335.1511.559.695.214.624.29
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.11 Denoising results of different methods in real noisy remote sensing images of Jilin 1

وبالإضافة إلى ذلك ، في هذا القسم ، ونحن تقييم أداء مختلف أساليب تقليل تشويش على الضوضاء الحقيقية بيانات الاستشعار عن بعد من الإيدز .Table 5مؤشرات التقييم التي تم الحصول عليها من طرق مختلفة لإزالة الضوضاء المذكورة . منTable 5ومن الواضح أن الطريقة المقترحة يحقق أفضل نتيجة تقليل تشويش ، ويمكن إزالة الضوضاء الفعلية على نحو فعال . وفي الوقت نفسه ، من أجل مقارنة تأثير مختلف أساليب تقليل تشويش أكثر حدسي ،Fig. 12نتائج التصور على الإيدز مجموعة البيانات المذكورة . مرئي BM3D（Fig. 12و DnCNN（Fig. 12و FFDNet（Fig. 12و GR2R（Fig. 12و DAA-SSID )Fig. 12بعد إزالة الضوضاء ، الخلفية طمس الصورة التي تم الحصول عليها . و NR2N )Fig. 12و ne2ne )Fig. 12تقليل تشويش الصورة التي تم الحصول عليها لا تزال واضحة من بقايا الضوضاء ، مما يدل على أن اثنين من الأساليب لا يمكن إزالة الضوضاء الفعلية على نحو فعال . بالمقارنة مع هذه الأساليب ، تقليل تشويش الصورة التي تم الحصول عليها من هذه الطريقة هي الأكثر وضوحا ، و لا طمس الخلفية يحدث .

Table 5 Comparison of denoising effect of different methods on real noisy remote sensing images in AID dataset

指标噪声图像BM3DDnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDFCADNet
BRISQUE↓30.8928.4225.1722.4147.5538.6327.5113.5310.21
NIQE↓6.525.935.294.9712.2310.725.344.373.73
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.12 Denoising results of different methods for real noisy remote sensing images in AID dataset

تجربة الاجتثاث

في هذا القسم ، nwpu-ressc 45 مجموعة البيانات التي تم الحصول عليها من < σ 25 تم تقييمها كميا باستخدام PSNR و مباحث أمن الدولة .

3-6-1 تحليل فعالية مختلف الوحدات

أولا ، الشبكة الأساسية هي التي شيدت على النقيض من خط الأساس ، الذي يتكون من أربع طبقات أسفل أخذ العينات ، 16 الإلتواء أربع طبقات العلوي أخذ العينات . من أجل التحقق من صحة التكيف الدينامي الهجين عملية آمو ، التقليدية القفز الصدد عملية الشوري هو عرض .Table 6النتائج الكمية باستخدام مزيج من وحدات مختلفة مدرجة . من قاعدة إلى قاعدة + GFEM + GFEM + سيمام ، PSNR بنسبة 0.21 ديسيبل و 0.68 ديسيبل ، على التوالي ، في حين أن سيمام لم تزيد من المعلمات . بعد إضافة ماركا على هذا الأساس ، تقليل تشويش الأداء تحسنت بشكل ملحوظ ، PSNR بنسبة 1.2 ديسيبل . ملاحظة الشوري و عمو تبين أن استبدال الشوري مع عمو ، PSNR بنسبة 1.03 ديسيبل ، ولكن عدد من المعلمات بنسبة 0.59 م .

Table 6 Comparison of quantitative results for different module combinations

模块组合方式参数量/106MPSNRSSIM
Base6.6528.830.845
Base+GFEM6.6829.040.846
Base+GFEM+SimAM6.6829.510.851
Base+GFEM+SimAM+DEM6.9630.710.858
Base+GFEM+SimAM+DEM+SC7.7131.880.861
Base+GFEM+SimAM+DEM+AMO7.1232.910.887
علاوة على ذلكFig. 13ميزة الرسم البياني الحرارية البصرية gfem وأربعة AEM وحدات يمكن أن تظهر بشكل حدسي ميزة استخراج القدرة والتركيز على القدرة . منFig. 13حافة هيكل نسيج المحلية تفاصيل اثنين من الطائرات يمكن أن ينظر إليه ، مما يدل على أن gfem وحدة يمكن استخراج المعلومات الأساسية والملمس ميزة الحافة بفعالية في المرحلة الأولية . من .Fig. 13( هـ ) يمكن أن ينظر إليه ، جنبا إلى جنب مع خطوة بخطوة أخذ العينات من AEM ، نموذج يعزز تدريجيا القدرة على الاستجابة والتركيز على المجالات الدلالية الرئيسية ، ويقلل من الضوضاء في الخلفية على نحو فعال .
figure
figure
figure
figure
figure
figure

Fig.13 Heatmap of the module's feature visualisation

3-6-2 تحليل الكفاءة

في هذا القسم ، ونحن مقارنة flops وبارامترات مع أساليب مختلفة ، وجميع النماذج التي يتم حسابها باستخدام thop . . . . . . .Table 7كما هو مبين . لأن nr2n ne2ne , و gr2r كلها تعتمد على تقليل تشويش العمود الفقري شبكة dncnn ، flops و params هي نفسها كما ان من dncnn . . . . . . . أما عن تدفق ، sa-ssid هو الأمثل ، ولكن fcadnet هو أقل من ذلك على أساس dncnn تقليل تشويش الأسلوب . أما بالنسبة params ، تقليل تشويش الأسلوب القائم على dncnn هو الأمثل ، ولكن fcadnet يحصل على أقل من المعلمات من أحدث الذاتي الإشراف على الأسلوب . في العام ، fcadnet توازن جيد بين الاثنين .

Table 7 Efficiency analysis of different methods

方法FLOPs/109GParams/106M
DnCNN36.720.56
FFDNet14.030.85
Nr2N36.720.56
Ne2Ne36.720.56
GR2R36.720.56
DAA-SSID262.1134.53
SA-SSID8.802.33
FCADNet30.491.96

تحليل فعالية دالة الخسارة

هذه المجموعة من التجارب التي أجريت على fcadnet ، مع الجمع بين فقدان < 1 مجموع الخسارة التغييرية < < التلفزيون الفرعي الفرعي < < < / i < < < < / i < < < < / i < < < < CP الفرعي < < / i < < < < < / i < < < < < / i < < < < / i < < < < cp الفرعية ، على التوالي ، من أجل تحليل تأثير تقليل تشويش .Table 8كما هو مبين . منTable 8يمكننا أن نعرف أن استخدام فقط 1 > < sub sub sub > أفضل من استخدام فقط < / i sub sub التلفزيون تقليل تشويش الأداء . من < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < الجمع بين 1 < 1 < < ل > تلفزيون > الفرعية الفرعية سوف تحصل على أفضل النتائج . لأن < ل > 1 > الفرعية فقط النظر في الاختلافات في مستوى بكسل ، وتجاهل بنية الصورة والملمس من المعلومات . ل التلفزيون الفرعية > تقليل تشويش الصورة من خلال تقليل مجموع التدرج للحد من الضوضاء ، واستخدام وحدها غالبا ما يؤدي إلى الإفراط في تجانس الصورة . ومع ذلك ، فإن الجمع بين استخدام اثنين من الحصول على أفضل نتيجة تقليل تشويش . وبالإضافة إلى ذلك ، من 1 < < < < 1 < < < < < < 1 < < 1 < < 1 < < < 1 < < < < < 1 < < < 1 < < < < < PSNR CP 1 / 1 < 1 > ديسيبل .

Table 8 Comparison of quantitative results for different loss function combinations

损失函数组合方式PSNRSSIM
L130.430.868
LTV30.140.862
L1+LTV31.710.881
L1+LTV+LCP32.910.887

نظرية العقد

صور اﻻستشعار عن بعد البصرية تحتوي على الكثير من الميزات الملمس ، في حين أن الأساليب القائمة تقليل تشويش يمكن أن يؤدي بسهولة إلى فقدان التفاصيل و طمس الخلفية عند إزالة الضوضاء . وعلاوة على ذلك ، فإن تكلفة التعلم تحت إشراف أعلى في صور الاستشعار عن بعد البصرية . من أجل مواجهة هذه التحديات ، فإن هذه الورقة تقدم خوارزمية على أساس الميزة تعزيز النقيض من التعلم ، الذي يتألف من تقليل تشويش فرع وعلى النقيض من فرع . في تقليل تشويش فرع ، ونحن تصميم ميزة تعزيز convolutional التشفير الذاتي تقليل تشويش الشبكة fcadnet . أولا ، نحن نستخدم ميزة عالمية استخراج وحدة gfem للحصول على ملامح ملامح الضحلة في نطاقات مختلفة . ثم ، في مرحلة التشفير ، simam جنبا إلى جنب مع التركيز على التفاصيل المحلية من الصورة . ثانيا ، المزيد من المعلومات المكانية هو تنصهر مع ميزة تعزيز دينامية وحدة ماركا . وأخيرا ، ديناميكية التكيف عملية الهجين آمو هو عرض مثل الحفاظ على خصائص طبقة ضحلة وعميقة الميزات . وعلاوة على ذلك ، على النقيض من الفروع الاستفادة الكاملة من المعلومات التي يحملها الضوضاء صورة حساب المقابل فقدان الإدراك الحسي في ميزة الفضاء من خلال بناء زوج مناسب من العينات الإيجابية والسلبية . وفي الوقت نفسه ، مجموع الخسارة التغييرية وإعادة بناء الخسارة تستخدم لزيادة تحسين قدرة الشبكة على إزالة الضوضاء . بالمقارنة مع غيرها من أساليب تقليل تشويش ، الطريقة المقترحة في هذه الورقة يحقق نتائج أفضل في تقليل تشويش مختلف أنواع الضوضاء على nwpu-resicc 45 و جامعة كاليفورنيا في أرض الواقع استخدام مجموعات البيانات . وبالإضافة إلى ذلك ، فإن الطريقة المقترحة في هذه الورقة أيضا الحصول على نتائج مرضية في تقليل تشويش الصورة الحقيقية من جيلين رقم 1 بيانات الأقمار الصناعية و بيانات الإيدز ، مما يدل على فعالية الطريقة المقترحة .

References

  1. 1.
    Chen T, Kornblith S, Norouzi M and Hinton G. 2020. A simple framework for contrastive learning of visual representations//Proceedings of the 37th International Conference on Machine Learning. [s.l.]: JMLR.org: 149 [DOI: 10.48550/arXiv.2002.05709]
  2. 2.
    Cheng G, Han J W and Lu X Q. 2017. Remote sensing image scene classification: benchmark and state of the art. Proceedings of the IEEE, 105(10): 1865-1883
  3. 3.
    Cheng L B, Du W L, Li Z and Jia X N. 2025. AFEV-INet: Adaptive feature extraction variational interactive network for remote sensing image denoising. Multimedia Systems, 31(2): 90
  4. 4.
    Dabov K, Foi A, Katkovnik V and Egiazarian K. 2007. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing, 16(8): 2080-2095
  5. 5.
    Feng Y C, Jiang J W, Xu H H and Zheng J W. 2023. Change detection on remote sensing images using dual-branch multilevel intertemporal network. IEEE Transactions on Geoscience and Remote Sensing, 61: 4401015
  6. 6.
    Geng H, Gu Z X, Weng L Y and Yu J. 2023. A non-local image denoising method based on TV-L1 with variable exponents//Proceedings Volume 12705, Fourteenth International Conference on Graphics and Image Processing (ICGIP 2022). Nanjing: SPIE: 707-715
  7. 7.
    Han L T, Zhao Y C, Lv H Y, Zhang Y S, Liu H L and Bi G L. 2022. Remote sensing image denoising based on deep and shallow feature fusion and attention mechanism. Remote Sensing, 14(5): 1243
  8. 8.
    Huang T, Li S J, Jia X, Lu H C and Liu J Z. 2022. Neighbor2Neighbor: a self-supervised framework for deep image denoising. IEEE Transactions on Image Processing, 31: 4023-4038
  9. 9.
    Jia H B, Yin Q B and Lu M Y. 2022. Blind-noise image denoising with block-matching domain transformation filtering and improved guided filtering. Scientific Reports, 12(1): 16195
  10. 10.
    Lehtinen J, Munkberg J, Hasselgren J, Laine S, Karras T, Ai-ttala M and Aila T. 2018. Noise2Noise: learning image restoration without clean data//Proceedings of the 35th International Conference on Machine Learning. Stockholm: PMLR: 2965-2974
  11. 11.
    Li J, Lin L P, He M G, He J, Yuan Q Q and Shen H F. 2024. Sentinel-1 dual-polarization SAR images despeckling network based on unsupervised learning. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-15
  12. 12.
    Li J Y, Zhang Z L, Liu X Y, Feng C Y, Wang X T and Lei L. 2023. Spatially adaptive self-supervised learning for real-world image denoising//Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver: IEEE: 9914-9924
  13. 13.
    Liu M H, Jiang W Z, Liu W F, Tao D P and Liu B D. 2023a. Dynamic adaptive attention-guided self-supervised single remote-sensing image denoising. IEEE Transactions on Geoscience and Remote Sensing, 61: 4704511
  14. 14.
    Liu Y K, Wan B W, Shi D M and Cheng X C. 2023b. Generative recorrupted-to-recorrupted: an unsupervised image denoising network for arbitrary noise distribution. Remote Sensing, 15(2): 364
  15. 15.
    Luo Z Z, Wang X Y, Pellikka P, Heiskanen J and Zhong Y F. 2024. Unsupervised adaptation learning for real multiplatform hyperspectral image denoising. IEEE Transactions on Cybernetics, 54(10): 5781-5794
  16. 16.
    Mittal A, Moorthy A K and Bovik A C. 2012. No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing, 21(12): 4695-4708
  17. 17.
    Mittal A, Soundararajan R and Bovik A C. 2013. Making a “completely blind” image quality analyzer. IEEE Signal Processing Letters, 20(3): 209-212
  18. 18.
    Moran N, Schmidt D, Zhong Y and Coady P. 2020. Noisier2Noise: learning to denoise from unpaired noisy data//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle: IEEE: 12061-12069
  19. 19.
    Pan Y Z, Liu X, Liao X Y, Cao Y Z H and Ren C. 2023. Random sub-samples generation for self-supervised real image denoising//Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Paris: IEEE: 12116-12125
  20. 20.
    Tao C, Qi J, Guo M N, Zhu Q and Li H F. 2023. Self-supervised remote sensing feature learning: learning paradigms, challenges, and future works. IEEE Transactions on Geoscience and Remote Sensing, 61: 1-26
  21. 21.
    Thai D H, Fei X Q, Le M T, Züfle A and Wessels K. 2023. Riesz-Quincunx-UNet variational autoencoder for unsupervised satellite image denoising. IEEE Transactions on Geoscience and Remote Sensing, 61: 5404519
  22. 22.
    Wang P Q, Chen P F, Yuan Y, Liu D, Huang Z H, Hou X D and Cottrell G. 2018. Understanding convolution for semantic segmentation//2018 IEEE Winter Conference on Applications of Computer Vision (WACV). Lake Tahoe: IEEE: 1451-1460
  23. 23.
    Wang Z, Wei J Z, Wang Y and Li Q. 2024c. Remote sensing image denoising algorithm based on improved transformer network//Proceedings Volume 13182, 2024 International Conference on Optoelectronic Information and Optical Engineering (OIOE 2024). Kunming: SPIE: 169-176
  24. 24.
    Wang Z B, Chang H, Bai L, Chen L F and Bi X L. 2024a. A creative weak supervised semantic segmentation for remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-13
  25. 25.
    Wang Z B, He X Q, Xiao B, Chen L F and Bi X L. 2024b. RSID-CR: remote sensing image denoising based on contrastive learning. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17: 18784-18799
  26. 26.
    Woo S, Park J, Lee J Y and Kweon I S. 2018. CBAM: convolutional block attention module//Proceedings of the 15th European Conference on Computer Vision – ECCV 2018. Munich: Springer: 3-19
  27. 27.
    Xia G S, Hu J W, Hu F, Shi B G, Bai X, Zhong Y F, Zhang L P and Lu X Q. (2017). AID: a benchmark data set for performance evaluation of aerial scene classification. IEEE Transactions on Geoscience and Remote Sensing, 55(7): 3965-3981
  28. 28.
    Yang L X, Zhang R Y, Li L D and Xie X H. 2021. SimAM: a simple, parameter-free attention module for convolutional neural networks//Proceedings of the 38th International Conference on Machine Learning. [s.l.]: PMLR: 11863-11874
  29. 29.
    Yang Y and Newsam S. 2010. Bag-of-visual-words and spatial extensions for land-use classification//Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems. San Jose: Association for Computing Machinery: 270-279
  30. 30.
    Yu B W, Zhou Y F, Liu X and Wang X G. 2022. A non-local means based multiplicative denoising method for image processing//Proceedings of the 6th International Technical Conference on Advances in Computing, Control and Industrial Engineering (CCIE 2021). Singapore: Springer: 763-773
  31. 31.
    Zhang D, Zhou F F, Jiang Y W and Fu Z M. 2023a. MM-BSN: self-supervised image denoising for real-world with multi-mask based on blind-spot network//Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Vancouver: IEEE: 4189-4198
  32. 32.
    Zhang J, Lu M X, Li J K, Xu D Y, Huang W X and Shi X P. 2024. Residual dense convolutional autoencoder for high noise image denoising. Computer Science, 51(6A): 230400073
  33. 33.
    Zhang K, Zuo W M, Chen Y J, Meng D Y and Zhang L. 2017. Beyond a Gaussian denoiser: residual learning of deep CNN for image denoising. IEEE Transactions on Image Processing, 26(7): 3142-3155
  34. 34.
    Zhang K, Zuo W M and Zhang L. 2018. FFDNet: toward a fast and flexible solution for CNN-based image denoising. IEEE Transactions on Image Processing, 27(9): 4608-4622
  35. 35.
    Zhang Y, Bai L, Wang Z B, Fan M, Jurek-Loughrey A, Zhang Y Q, Zhang Y, Zhao M and Chen L F. 2023b. Oil well detection under occlusion in remote sensing images using the improved YOLOv5 model. Remote Sensing, 15(24): 5788

قراءة النص الكامل

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website