通过残余深度学习进行PAN粉碎

深卷积神经网络（DCNN）的一个显着优势是它们对局部复杂结构的表示能力。 受此观察结果的启发，提出了一种基于DCNN的残差学习模型，以学习高分辨率（HR）和低分辨率（LR）图像块之间的非线性映射函数。 DCNN是基于图像块进行训练的，这些图像块仅从HR / LR全色（PAN）图像中采样而没有其他训练图像。 我们训练DCNN以基于反向传播的小批量梯度下降来获得具有HR / LR PAN补丁对的非线性映射函数。 从转移学习方法的观点出发，通过假设HR / LR多光谱（MS）图像在HR / LR PAN图像块之间共享相同的映射功能，可以使用训练后的DCNN从观察到的LR MS图像重建HR MS图像。 由于残差学习机制的优点，该方法可以在保持光谱特征的同时实现良好的几何细节注入。 实验结果表明，与传统方法相比，该方法在视觉感知和数值测量方面均具有更好的性能。