IRIS

Potential of Deep Learning for Forest Height Estimation from Tandem-X Bistatic Insar Data / Carcereri, D.; Rizzoli, P.; Ienco, D.; Bruzzone, L.. - 2023-July:(2023), pp. 1481-1484. (Intervento presentato al convegno IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium tenutosi a Pasadena, USA nel 16-21 Luglio 2023) [10.1109/IGARSS52108.2023.10281962].

Potential of Deep Learning for Forest Height Estimation from Tandem-X Bistatic Insar Data

Carcereri D.
;Bruzzone L.
2023-01-01
2023
IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium
Pasadena, USA
IEEE
2-s2.0-85178377426
WOS:001098971601195
Carcereri, D.; Rizzoli, P.; Ienco, D.; Bruzzone, L.
Potential of Deep Learning for Forest Height Estimation from Tandem-X Bistatic Insar Data / Carcereri, D.; Rizzoli, P.; Ienco, D.; Bruzzone, L.. - 2023-July:(2023), pp. 1481-1484. (Intervento presentato al convegno IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium tenutosi a Pasadena, USA nel 16-21 Luglio 2023) [10.1109/IGARSS52108.2023.10281962].
File in questo prodotto:
Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11572/419211
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus 1
  • ???jsp.display-item.citation.isi??? 0
  • OpenAlex ND
social impact