論文の概要: Super-Resolving Commercial Satellite Imagery Using Realistic Training Data

• arxiv url: http://arxiv.org/abs/2002.11248v1
• Date: Wed, 26 Feb 2020 01:18:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 15:36:54.393520
• Title: Super-Resolving Commercial Satellite Imagery Using Realistic Training Data
• Title（参考訳）: リアルトレーニングデータを用いた超解像商用衛星画像
• Authors: Xiang Zhu, Hossein Talebi, Xinwei Shi, Feng Yang, Peyman Milanfar
• Abstract要約: 本稿では,商用衛星画像製品のためのリアルなトレーニングデータ生成モデルを提案する。 実験により、提案したトレーニングデータ生成モデルは、実際の衛星画像の超解像性能を向上させることができることが示された。
• 参考スコア（独自算出の注目度）: 15.642067804645396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In machine learning based single image super-resolution, the degradation model is embedded in training data generation. However, most existing satellite image super-resolution methods use a simple down-sampling model with a fixed kernel to create training images. These methods work fine on synthetic data, but do not perform well on real satellite images. We propose a realistic training data generation model for commercial satellite imagery products, which includes not only the imaging process on satellites but also the post-process on the ground. We also propose a convolutional neural network optimized for satellite images. Experiments show that the proposed training data generation model is able to improve super-resolution performance on real satellite images.
• Abstract（参考訳）: 機械学習に基づく単一画像超解像では、劣化モデルはトレーニングデータ生成に埋め込まれる。 しかし、既存のほとんどの衛星画像超解像法は、固定されたカーネルを持つ単純なダウンサンプリングモデルを用いて訓練画像を作成する。 これらの手法は合成データではうまく機能するが、実際の衛星画像ではうまく機能しない。 本稿では,衛星の撮影プロセスだけでなく,地上のポストプロセスも含む,商用衛星画像製品のためのリアルなトレーニングデータ生成モデルを提案する。 また,衛星画像に最適化された畳み込みニューラルネットワークを提案する。 実験により、提案したトレーニングデータ生成モデルは、実際の衛星画像の超解像性能を向上させることができることが示された。

関連論文リスト

• Edge-Cloud Collaborative Satellite Image Analysis for Efficient Man-Made Structure Recognition [2.110762118285028]
  本稿では,エッジとクラウドコンピューティングを組み合わせた新しい衛星画像処理アーキテクチャを提案する。 エッジに軽量モデルを採用することで、当初は衛星画像から人造構造を特定できる。 これらの識別された画像はクラウドに送信され、より複雑なモデルによって分類が洗練される。
  論文  参考訳（メタデータ） (2024-10-08T03:31:32Z)
• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Satellite Detection in Unresolved Space Imagery for Space Domain Awareness Using Neural Networks [0.0]
  この研究は、MobileNetV2 Convolutional Neural Network (CNN)を用いて、衛星の高速かつ移動的な検出を行う。 カスタムデータベースは、合成衛星画像プログラムの画像を使用して作成され、衛星上の「衛星陽性」画像のバウンディングボックスでラベル付けされる。 CNNは、このデータベース上でトレーニングされ、実際の望遠鏡画像で構成された外部データセット上で、モデルの精度をチェックすることによって、推論が検証される。
  論文  参考訳（メタデータ） (2022-07-23T04:28:45Z)
• Convolutional Neural Processes for Inpainting Satellite Images [56.032183666893246]
  Inpaintingは、既知のピクセルに基づいて何が欠けているかを予測することを含み、画像処理における古い問題である。 本研究では,LANDSAT 7衛星画像のスキャンライン塗装問題に対して,従来の手法や最先端のディープラーニング塗装モデルよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-05-24T23:29:04Z)
• Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
  本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2021-02-02T16:10:15Z)
• Strict Enforcement of Conservation Laws and Invertibility in CNN-Based Super Resolution for Scientific Datasets [0.0]
  深部畳み込みニューラルネットワーク(CNN)は画像超解像(SR)に革命をもたらした 衛星リモートセンシング、レーダー気象学、医療画像、数値モデリングなど、画像やグリッド化されたデータセットを含む多くの科学分野の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2020-11-11T06:18:54Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)

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。