Insar
PulseAugur coverage of Insar — every cluster mentioning Insar across labs, papers, and developer communities, ranked by signal.
-
新的FiLM-GPNet通过几何适应增强InSAR相位恢复
研究人员开发了FiLM-GPNet，这是一种新颖的几何条件网络，旨在改进时间干涉测量SAR (InSAR) 分析中的相位恢复。该网络使用特征线性调制 (FiLM) 和详细的几何描述符显式适应采集几何形状的变化。FiLM-GPNet通过伪监督和基于物理的正则化进行训练，在夏威夷和西澳大利亚的InSAR堆栈上显示出时间残差和闭合误差的显著降低，其性能优于传统的Goldstein滤波器。该模型还表现出强大的零样本泛化能力，无需重新训练即可应…
-
扩散模型框架应对复杂的InSAR相位解缠挑战
研究人员开发了一种利用扩散模型的新型相位解缠框架，以应对InSAR处理中的挑战，特别是针对地震等大规模复杂事件。该新方法旨在处理由地表断层引起的突然位移不连续和相位跳变，而这些问题常常阻碍传统算法。与先前受限于固定输入尺寸的学习方法不同，该框架可以有效地处理大型InSAR图像，并在合成和真实数据集上都展示了其实用性。
-
混合人工智能-物理模型改进格陵兰InSAR DEM精度
研究人员开发了一种结合了基于物理的模型和机器学习的混合方法，用于校正X波段InSAR数据生成的数字高程模型（DEM）中的穿透偏差。该方法使用TanDEM-X数据在格陵兰冰盖上进行了测试。与纯粹的物理模型或纯粹的机器学习模型相比，该混合模型在减少DEM误差和提高泛化能力方面表现出显著的改进，尤其是在处理不同的采集参数时。
-
CryoNet 使用深度学习进行高级冰川测绘
研究人员开发了 CryoNet，一个旨在利用多模态数据测绘碎屑覆盖冰川的深度学习框架。该框架整合了卫星图像、地形数据、光谱指数和雷达信息，以区分裸冰冰川、碎屑覆盖冰川和冰川湖。CryoNet 取得了很高的性能指标，包括 90.52% 的总体 IoU，在复杂山区环境中优于现有的最先进模型。