論文の概要: An Open-source Tool for Hyperspectral Image Augmentation in Tensorflow
- arxiv url: http://arxiv.org/abs/2003.13502v2
- Date: Thu, 9 Jul 2020 17:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 07:16:33.621117
- Title: An Open-source Tool for Hyperspectral Image Augmentation in Tensorflow
- Title（参考訳）: tensorflowのハイパースペクトル画像拡張のためのオープンソースツール
- Authors: Mohamed Abdelhack
- Abstract要約: 現在のコンピュータビジョンシステムは、主に自然画像を含むアプリケーションに特化している。
この原稿は、ハイパースペクトル画像のインフローに対する画像拡張の実装を可能にするオープンソースツールを紹介している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite imagery allows a plethora of applications ranging from weather
forecasting to land surveying. The rapid development of computer vision systems
could open new horizons to the utilization of satellite data due to the
abundance of large volumes of data. However, current state-of-the-art computer
vision systems mainly cater to applications that mainly involve natural images.
While useful, those images exhibit a different distribution from satellite
images in addition to having more spectral channels. This allows the use of
pretrained deep learning models only in a subset of spectral channels that are
equivalent to natural images thus discarding valuable information from other
spectral channels. This calls for research effort to optimize deep learning
models for satellite imagery to enable the assessment of their utility in the
domain of remote sensing. Tensorflow tool allows for rapid prototyping and
testing of deep learning models, however, its built-in image generator is
designed to handle a maximum of four spectral channels. This manuscript
introduces an open-source tool that allows the implementation of image
augmentation for hyperspectral images in Tensorflow. Given how accessible and
easy-to-use Tensorflow is, this tool would provide many researchers with the
means to implement, test, and deploy deep learning models for remote sensing
applications.
- Abstract（参考訳）: 衛星画像は天気予報から陸地測量まで多岐にわたる応用を可能にする。
コンピュータビジョンシステムの急速な発展は、大量のデータのために衛星データを活用するために新たな地平線を開く可能性がある。
しかし、現在の最先端のコンピュータビジョンシステムは、主に自然画像を含むアプリケーションに特化している。
有用ではあるが、これらの画像は、より多くのスペクトルチャネルを持つことに加えて、衛星画像とは異なる分布を示す。
これにより、訓練済みの深層学習モデルを、自然画像と同等のスペクトルチャネルのサブセットでのみ使用することができ、他のスペクトルチャネルから貴重な情報を捨てることができる。
これにより、衛星画像のディープラーニングモデルを最適化し、リモートセンシングの分野における有用性を評価する研究が求められる。
Tensorflowツールはディープラーニングモデルの高速なプロトタイピングとテストを可能にするが、内蔵イメージジェネレータは最大4つのスペクトルチャネルを処理するように設計されている。
この原稿は、Tensorflowのハイパースペクトル画像に対する画像拡張の実装を可能にするオープンソースツールを紹介している。
アクセスが容易で使いやすいTensorflowを考えると、このツールは多くの研究者に、リモートセンシングアプリケーションのためのディープラーニングモデルの実装、テスト、デプロイの手段を提供するだろう。
関連論文リスト
- Improving Unsupervised Video Object Segmentation via Fake Flow Generation [20.89278343723177]
本稿では,単一画像からの擬似光フローをシミュレートする新しいデータ生成手法を提案する。
光フローマップは深度マップに大きく依存していることから着想を得て,各画像の深度マップを精細化し,拡大することにより,偽の光フローを生成する。
論文 参考訳（メタデータ） (2024-07-16T13:32:50Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - 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) - Slideflow: Deep Learning for Digital Histopathology with Real-Time
Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。
デジタル病理学のための幅広い深層学習手法をサポートしている。
トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文 参考訳（メタデータ） (2023-04-09T02:49:36Z) - Spectrum-inspired Low-light Image Translation for Saliency Detection [23.368690302292563]
そこで本研究では,高照度画像を低照度画像に変換する手法を提案し,それを実写低照度画像のプロキシとして利用する。
何千ものパラメータと膨大な量のトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案された変換は高速でシンプルで、低光深度推定のような他のタスクにも容易に拡張できる。
本実験により, プロキシ低照度画像上でトレーニングした最先端の精度検出および深度推定ネットワークは, 既存の戦略を用いてトレーニングしたネットワークに比べて, 実際の低照度画像に対して有意に優れた性能を示した。
論文 参考訳（メタデータ） (2023-03-17T17:30:42Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - Deep-Learning-Based Single-Image Height Reconstruction from
Very-High-Resolution SAR Intensity Data [1.7894377200944511]
本稿では,リモートセンシングにおける他の重要なセンサモードである合成開口レーダ(SAR)データに対する,深層学習に基づく単一画像の高さ予測の初めての実演を示す。
SAR強度画像に対する畳み込みニューラルネットワーク(CNN)アーキテクチャの適用に加えて、トレーニングデータ生成のためのワークフローを提案する。
転送可能性に特に重点を置いているので、深層学習に基づく単一画像の高さ推定が可能であるだけでなく、目に見えないデータにかなりうまく転送可能であることを確認できます。
論文 参考訳（メタデータ） (2021-11-03T08:20:03Z) - A Pipeline for Vision-Based On-Orbit Proximity Operations Using Deep
Learning and Synthetic Imagery [0.0]
現在、2つの重要な課題が、ビジョンベースの軌道近傍操作にディープラーニングを使用する際の大きな障壁となっている。
ラベル付きトレーニングデータの不足(ターゲット宇宙船のイメージ)は、堅牢なディープラーニングモデルの作成を妨げる。
本稿では、オンビットビジュアルナビゲーションアプリケーション用に特別に開発されたオープンソースのディープラーニングパイプラインについて述べる。
論文 参考訳（メタデータ） (2021-01-14T15:17:54Z)
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。