基于鲁棒亚像素卷积神经网络的DEM超分辨率重建

数字地形模型（digital elevation model, DEM）是描述地球科学领域纵横表层曲面的基础数据模型之一,广泛应用于航天工程、海洋测绘、几何测量等领域。本文引入亚像素卷积神经网络模型进行DEM超分辨率重建,分析了不同训练样本定制策略对DEM超分辨率重建的影响,并提出了基于训练样本优化的鲁棒亚像素卷积神经网络。首先,基于Adam优化模型,分析了6类定制化训练数据集策略对训练网络的影响,提出了训练数据集的最佳定制方案,提升了算法的整体效率。其次,利用真实的DEM数据进行实验分析,通过与传统地统计学方法（双三次插值、最近邻插值和双线性插值）进行对比,结果表明该网络有效提高了DEM超分辨率重建的精度;最后,探讨了损失函数对网络训练效率的影响,给出了损失函数优化的建议。同时,作为卷积神经网络的衍生模型,基于训练样本优化的鲁棒亚像素卷积神经网络模型进一步丰富了卷积神经网络在DEM数据处理领域中的应用。