論文の概要: Classification of Large-Scale High-Resolution SAR Images with Deep Transfer Learning

• arxiv url: http://arxiv.org/abs/2001.01425v1
• Date: Mon, 6 Jan 2020 07:22:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:55:42.681871
• Title: Classification of Large-Scale High-Resolution SAR Images with Deep Transfer Learning
• Title（参考訳）: ディープラーニング学習による大規模高分解能SAR画像の分類
• Authors: Zhongling Huang, Corneliu Octavian Dumitru, Zongxu Pan, Bin Lei, Mihai Datcu
• Abstract要約: 衛星が取得した大規模高解像度SARランドカバー画像の分類は難しい課題である。 高度に不均衡なクラス,地理的多様性,ラベルノイズなどのSAR画像を自動的に解釈する上での3つの課題に対処する。 同様の注釈付き光土地被覆データセットに基づいて深層移動学習法を提案する。
• 参考スコア（独自算出の注目度）: 6.986824598529781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classification of large-scale high-resolution SAR land cover images acquired by satellites is a challenging task, facing several difficulties such as semantic annotation with expertise, changing data characteristics due to varying imaging parameters or regional target area differences, and complex scattering mechanisms being different from optical imaging. Given a large-scale SAR land cover dataset collected from TerraSAR-X images with a hierarchical three-level annotation of 150 categories and comprising more than 100,000 patches, three main challenges in automatically interpreting SAR images of highly imbalanced classes, geographic diversity, and label noise are addressed. In this letter, a deep transfer learning method is proposed based on a similarly annotated optical land cover dataset (NWPU-RESISC45). Besides, a top-2 smooth loss function with cost-sensitive parameters was introduced to tackle the label noise and imbalanced classes' problems. The proposed method shows high efficiency in transferring information from a similarly annotated remote sensing dataset, a robust performance on highly imbalanced classes, and is alleviating the over-fitting problem caused by label noise. What's more, the learned deep model has a good generalization for other SAR-specific tasks, such as MSTAR target recognition with a state-of-the-art classification accuracy of 99.46%.
• Abstract（参考訳）: 衛星が取得した大規模高解像度SARランドカバー画像の分類は難しい課題であり、専門知識のセマンティックアノテーション、画像パラメータの変化によるデータ特性の変化、および光画像とは異なる複雑な散乱機構といった課題に直面している。 TerraSAR-X画像から収集した大規模SARランドカバーデータセットに150のカテゴリの階層的な3レベルアノテーションと10,000以上のパッチが含まれており、高度不均衡なクラス、地理的多様性、ラベルノイズの自動解釈における3つの主な課題に対処する。 本稿では,同様の注釈付き光土地被覆データセット(NWPU-RESISC45)に基づく深層移動学習手法を提案する。 また,ラベルノイズや不均衡クラスの問題に対処するために,コストに敏感なパラメータを持つtop-2スムース損失関数が導入された。 提案手法は,類似のアノテート付きリモートセンシングデータセットからの情報転送効率が高く,高度に不均衡なクラスにおけるロバストな性能を示し,ラベルノイズによる過剰フィッティング問題を緩和する。 さらに、学習したディープモデルは、MSTARターゲット認識のような他のSAR固有のタスクに対して、99.46%の最先端の分類精度を持つ優れた一般化を持つ。

関連論文リスト

• Multi-Resolution SAR and Optical Remote Sensing Image Registration Methods: A Review, Datasets, and Future Perspectives [13.749888089968373]
  リモートセンシングデータ融合には合成開口レーダ(SAR)と光画像登録が不可欠である。 画像の解像度が向上するにつれて、微細なSARテクスチャがより重要になり、アライメントの問題と3次元空間の相違が生じる。 MultiResSARデータセットは10万組以上のマルチソース、マルチ解像度、マルチシーンSARおよび光学画像を含む。
  論文  参考訳（メタデータ） (2025-02-03T02:51:30Z)
• Towards Degradation-Robust Reconstruction in Generalizable NeRF [58.33351079982745]
  GNeRF(Generalizable Radiance Field)は,シーンごとの最適化を回避する手段として有効であることが証明されている。 GNeRFの強靭性は, ソース画像に現れる様々な種類の劣化に対して限定的に研究されている。
  論文  参考訳（メタデータ） (2024-11-18T16:13:47Z)
• Joint Image De-noising and Enhancement for Satellite-Based SAR [0.0]
  合成開口レーダ(SAR)データから再構成した画像は、乗算ノイズと低コントラストレベルに悩まされる。 本稿では,これらの欠点を同時に扱う手法を提案する。 実際、ノイズ除去とコントラスト強化のプロセスを統一されたアルゴリズムに組み合わせる。
  論文  参考訳（メタデータ） (2024-08-06T18:44:16Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• SAR-NeRF: Neural Radiance Fields for Synthetic Aperture Radar Multi-View Representation [7.907504142396784]
  本研究では、SARイメージング機構とニューラルネットワークを組み合わせることで、SAR画像生成のための新しいNeRFモデルを提案する。 SAR-NeRFは、ボクセルの減衰係数と散乱強度の分布を学習するために構築される。 その結果,SAR-NeRFオーグメンテーションデータセットは,数ショットの学習設定でSARターゲット分類性能を大幅に向上できることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T07:37:56Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• PolSAR Image Classification Based on Robust Low-Rank Feature Extraction and Markov Random Field [44.59934840513234]
  我々は、低ランク(LR)特徴抽出によるスペックルノイズを除去し、マルコフランダムフィールド(MRF)によるスムーズさを強制する新しいPolSAR画像分類法を提案する。 実験結果から,提案手法は有望な分類性能と良好な空間整合性を実現することが示唆された。
  論文  参考訳（メタデータ） (2020-09-13T07:38:12Z)
• Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
  本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。 低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。 本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
  論文  参考訳（メタデータ） (2020-08-03T13:55:39Z)
• Multi-Objective CNN Based Algorithm for SAR Despeckling [1.933681537640272]
  本稿では,SAR画像特性を考慮した多目的コスト関数を持つ畳み込みニューラルネットワーク(CNN)を提案する。 シミュレーションおよび実写SAR画像を用いた実験により,提案手法の精度が,Stand-of-Art despecklingアルゴリズムと比較された。
  論文  参考訳（メタデータ） (2020-06-16T10:15:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。