論文の概要: Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via
Filtered Jaccard Loss Function and Parametric Augmentation
- arxiv url: http://arxiv.org/abs/2001.08768v2
- Date: Fri, 23 Apr 2021 22:01:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 09:52:44.882354
- Title: Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via
Filtered Jaccard Loss Function and Parametric Augmentation
- Title（参考訳）: フィルタジャカード損失関数とパラメトリック拡張によるリモートセンシング画像のためのクラウドとクラウドのシャドウセグメンテーション
- Authors: Sorour Mohajerani and Parvaneh Saeedi
- Abstract要約: 現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。
本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.37609145576126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud and cloud shadow segmentation are fundamental processes in optical
remote sensing image analysis. Current methods for cloud/shadow identification
in geospatial imagery are not as accurate as they should, especially in the
presence of snow and haze. This paper presents a deep learning-based framework
for the detection of cloud/shadow in Landsat 8 images. Our method benefits from
a convolutional neural network, Cloud-Net+ (a modification of our previously
proposed Cloud-Net \cite{myigarss}) that is trained with a novel loss function
(Filtered Jaccard Loss). The proposed loss function is more sensitive to the
absence of foreground objects in an image and penalizes/rewards the predicted
mask more accurately than other common loss functions. In addition, a sunlight
direction-aware data augmentation technique is developed for the task of cloud
shadow detection to extend the generalization ability of the proposed model by
expanding existing training sets. The combination of Cloud-Net+, Filtered
Jaccard Loss function, and the proposed augmentation algorithm delivers
superior results on four public cloud/shadow detection datasets. Our
experiments on Pascal VOC dataset exemplifies the applicability and quality of
our proposed network and loss function in other computer vision applications.
- Abstract（参考訳）: クラウドとクラウドのシャドーセグメンテーションは光リモートセンシング画像解析における基本的なプロセスである。
現在の地理空間画像における雲と陰影の同定法は,特に雪と風の存在下では,それほど正確ではない。
本稿では,ランドサット8画像におけるクラウド/シャドウ検出のためのディープラーニングフレームワークを提案する。
提案手法は,新たな損失関数 (Filtered Jaccard Loss) をトレーニングした,畳み込みニューラルネットワークであるCloud-Net+(以前提案したCloud-Net \cite{myigarss} の修正)の恩恵を受ける。
提案した損失関数は、画像中の前景オブジェクトの欠如に敏感であり、予測マスクを他の一般的な損失関数よりも正確にペナルティ化する。
また,クラウドシャドウ検出のための日光方向対応データ拡張手法を開発し,既存のトレーニングセットを拡張して,提案モデルの一般化能力を拡張した。
Cloud-Net+、Filted Jaccard Loss関数、および提案アルゴリズムの組み合わせにより、4つのパブリッククラウド/シャドウ検出データセットで優れた結果が得られる。
我々のPascal VOCデータセットに関する実験は、他のコンピュータビジョンアプリケーションにおける提案したネットワークと損失関数の適用性と品質を実証するものである。
関連論文リスト
- Cloud Adversarial Example Generation for Remote Sensing Image Classification [9.014861497985299]
リモートセンシング画像に対する既存の敵攻撃手法の多くは、単に敵の摂動やパッチを追加するだけである。
パーリンノイズに基づくクラウド生成攻撃法を提案する。
論文 参考訳（メタデータ） (2024-09-21T20:15:22Z) - HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。
提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2024-03-18T14:18:08Z) - Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。
学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文 参考訳（メタデータ） (2022-12-31T08:58:39Z) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳（メタデータ） (2022-10-27T01:25:57Z) - Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point
Cloud Feature Extractors [0.0]
我々は、画像領域からのインスピレーションの欠如が、そのようなギャップの主な原因であると主張している。
我々は,CNNのような3Dポイント・クラウド特徴抽出器の設計のために,Shrinkingユニットと呼ばれるグラフ畳み込み単位を提案する。
論文 参考訳（メタデータ） (2022-09-26T15:28:31Z) - R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。
本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。
提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
論文 参考訳（メタデータ） (2021-09-20T15:09:22Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - Cloud removal in remote sensing images using generative adversarial
networks and SAR-to-optical image translation [0.618778092044887]
雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。
本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。
第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
論文 参考訳（メタデータ） (2020-12-22T17:19:14Z) - Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization [3.65794756599491]
リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
論文 参考訳（メタデータ） (2020-08-11T05:59:20Z) - Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。
マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。
我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
論文 参考訳（メタデータ） (2020-07-29T22:52:28Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z)
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。