[论文解读] Towards Monocular Digital Elevation Model (DEM) Estimation by Convolutional Neural Networks - Application on Synthetic Aperture Radar Images

Gabriele Costante, Thomas A. Ciarfuglia+1 more|arXiv (Cornell University)|Mar 1, 2018

Synthetic Aperture Radar (SAR) Applications and Techniques被引用 2

一句话总结

本文提出一种基于全卷积神经网络（CNN）编码器-解码器架构的单次通过数字高程模型（DEM）估计方法，利用哨兵合成孔径雷达（SAR）图像进行训练，无需干涉处理。该方法学习SAR后向散射强度数据与地形高程之间的统计关系，在单次通过DEM重建中取得了有前景的初步结果。

ABSTRACT

Synthetic aperture radar (SAR) interferometry (InSAR) is performed using repeat-pass geometry. InSAR technique is used to estimate the topographic reconstruction of the earth surface. The main problem of the range-Doppler focusing technique is the nature of the two-dimensional SAR result, affected by the layover indetermination. In order to resolve this problem, a minimum of two sensor acquisitions, separated by a baseline and extended in the cross-slant-range, are needed. However, given its multi-temporal nature, these techniques are vulnerable to atmosphere and Earth environment parameters variation in addition to physical platform instabilities. Furthermore, either two radars are needed or an interferometric cycle is required (that spans from days to weeks), which makes real time DEM estimation impossible. In this work, the authors propose a novel experimental alternative to the InSAR method that uses single-pass acquisitions, using a data driven approach implemented by Deep Neural Networks. We propose a fully Convolutional Neural Network (CNN) Encoder-Decoder architecture, training it on radar images in order to estimate DEMs from single pass image acquisitions. Our results on a set of Sentinel images show that this method is able to learn to some extent the statistical properties of the DEM. The results of this exploratory analysis are encouraging and open the way to the solution of single-pass DEM estimation problem with data driven approaches.

研究动机与目标

• 解决传统干涉SAR（InSAR）技术的局限性，后者需要多时相数据采集，且对大气和平台不稳定因素敏感。
• 通过实现无需基线分离或重复过境周期的单次通过DEM估计，克服SAR成像中的叠掩模糊性。
• 探索利用深度学习从单张SAR图像推断地形高程的可行性，从而消除对干涉处理的需求。
• 开发一种数据驱动的替代传统InSAR的方法，支持实时或近实时DEM生成。
• 证明全卷积神经网络能够学习SAR强度与地形高程之间的统计映射关系。

提出的方法

• 采用具有编码器-解码器架构的全卷积神经网络（CNN），将单次通过的SAR强度图像映射为DEM。
• 在哨兵-1 SAR图像与参考DEM配对的数据集上端到端训练网络，以学习空间特征及幅度到高程的映射关系。
• 采用类似U-Net的架构，通过跳跃连接保留空间分辨率并捕捉多尺度特征。
• 利用深层特征的不变性，建模SAR后向散射与地形形态之间的复杂非线性关系。
• 使用像素级损失函数优化网络，以最小化预测DEM与真实DEM之间的差异。
• 利用合成或模拟数据增强技术提升泛化能力，尤其在训练样本稀疏的区域。

实验结果

研究问题

• RQ1 深度学习模型能否在无需干涉处理的情况下，仅从单张SAR强度图像推断地形高程？
• RQ2 CNN架构在避免叠掩和阴影模糊性的同时，能在多大程度上从单次通过SAR数据中重建DEM？
• RQ3 在DEM精度和鲁棒性方面，基于数据驱动的CNN方法与传统InSAR相比表现如何？
• RQ4 该训练模型在不同地形和地表覆盖条件下的泛化能力如何？
• RQ5 即使缺乏显式相位信息，模型能否从SAR强度模式中学习到地形的统计特性？

主要发现

• 所提出的基于CNN的方法成功实现了从单次通过SAR图像估计DEM，证明了数据驱动方法替代InSAR的可行性。
• 模型能够从SAR强度数据中捕捉空间模式和地形特征，生成合理且连贯的高程图。
• 在哨兵-1图像上的实验结果表明，该网络能够以合理保真度重建大尺度地形结构。
• 该方法避免了对多时相数据采集或基线分离的需求，为潜在的实时DEM估计提供了可能。
• 初步结果令人鼓舞，表明深度学习即使在无相位信息的情况下，也能建模复杂的SAR到DEM映射关系。
• 该方法在通过学习强度数据中的上下文关系方面显示出缓解叠掩效应的潜力，尽管本初步研究的定量验证仍有限。