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

Maya4: a Novel Large-Scale Multi-Level SAR Representation Dataset for Machine Learning

Del Prete, Roberto und Daga, Gabriele und Leonard, Cedric und Channing, Georgia und Longépé, Nicolas (2026) Maya4: a Novel Large-Scale Multi-Level SAR Representation Dataset for Machine Learning. In: 16th European Conference on Synthetic Aperture Radar, EUSAR 2024. 16th European Conference on Synthetic Aperture Radar (EUSAR), 2026-06-08 - 2026-06-11, Baden-Baden, Germany. doi: 10.30420/456729113.

[img] PDF
1MB

Offizielle URL: https://ieeexplore.ieee.org/document/11677538

Kurzfassung

Maya4 is a cloud-native Sentinel-1 Stripmap SAR dataset that exposes four aligned processing states: raw, rc, rcmc, and focused az. Unlike existing public resources limited to focused imagery, Maya4 exposes the signal chain from Level-0 echoes to focused products, enabling operator-level learning and evaluation. The release con- tains about 2 TB of data with chunked/sharded storage and co-located metadata for scalable access. Maya4 sup- ports three broad classes of signal-domain use cases: compression, learned focusing, and cross-level representa- tion learning, together with benchmarking against conventional processors. The dataset is publicly available at https://huggingface.co/buckets/ESA-philab/Maya4.

elib-URL des Eintrags:https://elib.dlr.de/227503/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Maya4: a Novel Large-Scale Multi-Level SAR Representation Dataset for Machine Learning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Del Prete, RobertoESA Φ-lab, European Space Research Institute (ESRIN), Frascati, ItalyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Daga, GabrieleESA Φ-lab, European Space Research Institute (ESRIN), Frascati, ItalyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Leonard, Cedriccedric.leonard (at) dlr.dehttps://orcid.org/0009-0004-2252-2173228520965
Channing, GeorgiaHugging Face, SAS, Paris, FranceNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Longépé, NicolasESA Φ-lab, European Space Research Institute (ESRIN), Frascati, ItalyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:10 Juni 2026
Erschienen in:16th European Conference on Synthetic Aperture Radar, EUSAR 2024
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.30420/456729113
Status:veröffentlicht
Stichwörter:Machine Learning, Synthetic Aperture Radar, Representation Learning, TB Data, Synthetic Aperture Radar Datasets, Intermediate Levels, Raw Signal, Latent Space, Synthetic Aperture, Earth Observation, Range Resolution, Self-supervised Learning, Residual Phase, Coherent Imaging, Matched Filter, Range Compression, Slant Range, Azimuth Resolution, High Range Resolution, Single Look Complex, Inverse Discrete Fourier Transform, Chirp Rate
Veranstaltungstitel:16th European Conference on Synthetic Aperture Radar (EUSAR)
Veranstaltungsort:Baden-Baden, Germany
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:8 Juni 2026
Veranstaltungsende:11 Juni 2026
Veranstalter :VDE
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, R - AI4SAR
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Leonard, Cedric
Hinterlegt am:02 Okt 2026 10:47
Letzte Änderung:02 Okt 2026 10:47

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

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