20.500.12556/DKUM-86527 Despeckling of SAR Images Using Residual Twin CNN and Multi-Resolution Attention Mechanism The despeckling of synthetic aperture radar images using two different convolutional neural network architectures is presented in this paper. The first method presents a novel Siamese convolutional neural network with a dilated convolutional network in each branch. Recently, attention mechanisms have been introduced to convolutional networks to better model and recognize features. Therefore, we propose a novel design for a convolutional neural network using an attention mechanism for an encoder–decoder-type network. The framework consists of a multiscale spatial attention network to improve the modeling of semantic information at different spatial levels and an additional attention mechanism to optimize feature propagation. Both proposed methods are different in design but they provide comparable despeckling results in subjective and objective measurements in terms of correlated speckle noise. The experimental results are evaluated on both synthetically generated speckled images and real SAR images. The methods proposed in this paper are able to despeckle SAR images and preserve SAR features. V tem članku smo predstavilo odstranjevanje pegastega šuma slik s sintetično odprtino z uporabo dveh različnih arhitektur konvolucijskih nevronskih mrež. Prva metoda predstavlja novo siamsko konvolucijsko nevronsko mrežo z razširjeno konvolucijsko mrežo v vsaki veji. Nedavno so bili v konvolucijska omrežja uvedeni mehanizmi pozornosti za boljše modeliranje in prepoznavanje funkcij. Zato predlagamo novo zasnovo za konvolucijsko nevronsko mrežo z uporabo mehanizma pozornosti za omrežje tipa kodirnik dekodirnik. Ogrodje je sestavljeno iz večstopenjskega omrežja prostorske pozornosti za izboljšanje modeliranja semantičnih informacij na različnih prostorskih ravneh in dodatnega mehanizma pozornosti za optimizacijo širjenja značilnosti. Obe predlagani metodi se razlikujeta po zasnovi, vendar zagotavljata primerljive rezultate odstranjevanja pegastega šuma pri subjektivnih in objektivnih meritvah v smislu koreliranega pegastega šuma. Eksperimentalni rezultati so ovrednoteni tako na sintetično ustvarjenih pegastih slikah kot na resničnih slikah SAR. Metode, predlagane v tem dokumentu, lahko odstranijo pegasti šum iz slik SAR in ohranijo bistvene lastnosti slik SAR. synthetic aperture radar speckle speckle suppression despeckling deep learning convolutional neural network radarji globoko učenje konvolucijske nevronske mreže true true true MDPI Angleški jezik Slovenski jezik https://www.mdpi.com/ © 2023 by the authors Znanstveno delo 2023-12-07 10:30:27 2024-02-21 10:20:48 2024-11-11 14:36:28 0000-00-00 00:00:00 2023 0 0 Str. 1-25 št. 14, št. članka 3698 Letn. 15 2023 0000-00-00 Zaloznikova Objavljeno apc 2023-05-25 2023-07-20 2023-07-24 621.39 161242883 10.3390/rs15143698 2072-4292 remotesensing-15-03698-v3_(1).pdf remotesensing-15-03698-v3_(1).pdf 1 D965841C3BFB9981C2775A8BC41010B3 b653553efb602aa6e7c39e3363497252cf08c60886a82236aa5d1e55fac2f541 474f0462-94e3-11ee-a8bf-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=174711 https://www.mdpi.com/2072-4292/15/14/3698 1 41c326aa-94e3-11ee-a8bf-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=174710 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0