Logo
Benutzer: Gast  Login
Autoren:
Recla, Michael; Schmitt, Michael 
Dokumenttyp:
Konferenzbeitrag / Conference Paper 
Titel:
Deep Learning-based DSM Generation from Dual-Aspect SAR Data 
Titel Konferenzpublikation:
ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-2-2024 
Untertitel Konferenzpublikation:
The Role of Photogrammetry for a Sustainable World 
Konferenztitel:
ISPRS Technical Commission II Mid-term Symposium (2024, Las Vegas, Nev.) 
Tagungsort:
Las Vegas, Nevada, USA 
Jahr der Konferenz:
2024 
Datum Beginn der Konferenz:
11.06.2024 
Datum Ende der Konferenz:
14.06.2024 
Jahr:
2024 
Seiten von - bis:
193-200 
Sprache:
Englisch 
Stichwörter:
Deep Learning ; Synthetic Aperture Radar (SAR) ; 3D Reconstruction ; Radargrammetry ; DSM Generation 
Abstract:
Rapid mapping demands efficient methods for a fast extraction of information from satellite data while minimizing data requirements. This paper explores the potential of deep learning for the generation of high-resolution urban elevation data from Synthetic Aperture Radar (SAR) imagery. In order to mitigate occlusion effects caused by the side-looking nature of SAR remote sensing, two SAR images from opposing aspects are leveraged and processed in an end-to-end deep neural network. The presented...    »
 
Fakultät:
Fakultät für Luft- und Raumfahrttechnik 
Institut:
LRT 9 - Institut für Raumfahrttechnik und Weltraumnutzung 
Professur:
Schmitt, Michael 
Open Access ja oder nein?:
Ja / Yes 
Art der OA-Lizenz:
CC BY 4.0