elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Efficient SAR tomographic inversion via sparse Bayesian learning

Wang, Yuanyuan und Qian, Kun und Zhu, Xiao Xiang (2021) Efficient SAR tomographic inversion via sparse Bayesian learning. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 1-5. IEEE. IGARSS 2021, 2021-07-12 - 2021-07-16, Brussels, Belgium. doi: 10.1109/IGARSS47720.2021.9554296.

[img] PDF - Nur DLR-intern zugänglich
441kB

Kurzfassung

SAR tomographic inversion (TomoSAR) has been widely employed for 3-D urban mapping. Existing algorithms are mostly based on an explicit inversion of the SAR imaging model, which are often computationally expensive for large scale processing. This is especially true for compressive sensing-based TomoSAR algorithms. Previous literature showed perspective of using data-driven methods like PCA and kernel PCA to decompose the signal and reduce the computational complexity of parameter inversion. This paper gives a preliminary demonstration of a data-driven TomoSAR method based on sparse Bayesian learning. Experiments on simulated data show the proposed algorithm can provide moderate detection rate and super-resolution power, comparing to the state-of-the-art compressive sensing based algorithms. As the proposed algorithm is purely based on conventional (non-superresolving) estimators, it is much more computationally efficient than compressive sensing based ones. This gives us a perspective of employing it for large scale TomoSAR processing. Experiments on real data will be given in the final paper.

elib-URL des Eintrags:https://elib.dlr.de/143886/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Efficient SAR tomographic inversion via sparse Bayesian learning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Wang, Yuanyuantum, Yuanyuan.Wang (at) dlr.dehttps://orcid.org/0000-0002-0586-9413NICHT SPEZIFIZIERT
Qian, Kunkun.qian (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangDLR-IMF/TUM-SiPEONICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Juli 2021
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IGARSS47720.2021.9554296
Seitenbereich:Seiten 1-5
Verlag:IEEE
Status:veröffentlicht
Stichwörter:SAR tomography, sparse learning, machine learning, data-driven, InSAR, SAR
Veranstaltungstitel:IGARSS 2021
Veranstaltungsort:Brussels, Belgium
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:12 Juli 2021
Veranstaltungsende:16 Juli 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Wang, Yuanyuan
Hinterlegt am:14 Sep 2021 13:13
Letzte Änderung:07 Jun 2024 09:57

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.