論文の概要: Deep Learning for Image Search and Retrieval in Large Remote Sensing Archives

• arxiv url: http://arxiv.org/abs/2004.01613v2
• Date: Fri, 3 Jul 2020 08:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:46:07.883107
• Title: Deep Learning for Image Search and Retrieval in Large Remote Sensing Archives
• Title（参考訳）: 大規模リモートセンシングアーカイブにおける画像検索と検索のための深層学習
• Authors: Gencer Sumbul, Jian Kang, Beg\"um Demir
• Abstract要約: 本章は、リモートセンシング(RS)におけるコンテンツベース画像検索(CBIR)システムの最近の進歩について述べる。 まず,手作りのRS画像記述子に依存する従来のCBIRシステムの限界を分析する。 次に,ディープラーニング(DL)モデルが最前線にあるRS CBIRシステムの進歩に注目した。
• 参考スコア（独自算出の注目度）: 2.8296206500802645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This chapter presents recent advances in content based image search and retrieval (CBIR) systems in remote sensing (RS) for fast and accurate information discovery from massive data archives. Initially, we analyze the limitations of the traditional CBIR systems that rely on the hand-crafted RS image descriptors. Then, we focus our attention on the advances in RS CBIR systems for which deep learning (DL) models are at the forefront. In particular, we present the theoretical properties of the most recent DL based CBIR systems for the characterization of the complex semantic content of RS images. After discussing their strengths and limitations, we present the deep hashing based CBIR systems that have high time-efficient search capability within huge data archives. Finally, the most promising research directions in RS CBIR are discussed.
• Abstract（参考訳）: 本章では,大規模データアーカイブからの高速かつ正確な情報発見のためのリモートセンシング(RS)におけるコンテンツベース画像検索(CBIR)システムの最近の進歩について述べる。 当初、手作りのRS画像記述子に依存する従来のCBIRシステムの限界を分析した。 そこで我々は,ディープラーニング(DL)モデルが最前線にあるRS CBIRシステムの進歩に注目した。 特に,直近の DL ベースCBIR システムの理論的特性について,RS 画像の複雑な意味的内容のキャラクタリゼーションについて述べる。 その長所と短所を議論した後,大規模データアーカイブ内の時間効率の高い検索能力を有する深層ハッシュベースのCBIRシステムを提案する。 最後に、RS CBIRにおける最も有望な研究方向性について論じる。

関連論文リスト

• Dehazing Remote Sensing and UAV Imagery: A Review of Deep Learning, Prior-based, and Hybrid Approaches [4.516330345599765]
  高品質な画像は、リモートセンシングおよびUAVアプリケーションに不可欠である。 大気ヘイズは 画像の質を著しく低下させ 画像の劣化を 重要な研究領域にします
  論文  参考訳（メタデータ） (2024-05-13T07:35:24Z)
• Advancements in Content-Based Image Retrieval: A Comprehensive Survey of Relevance Feedback Techniques [0.0]
  コンテントベース画像検索(CBIR)システムはコンピュータビジョンの分野で重要なツールとして登場してきた。 本稿では,対象検出におけるCBIRの役割と,コンテンツ特徴に基づく視覚的に類似した画像の識別と検索の可能性について,包括的に概説する。 低レベルの特徴と高レベルのセマンティック概念の相違から生じるセマンティックギャップについて詳述し、このギャップを橋渡しするためのアプローチを探る。
  論文  参考訳（メタデータ） (2023-12-13T11:07:32Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
  本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。 提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
  論文  参考訳（メタデータ） (2022-06-20T10:05:38Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Deep Image Retrieval: A Survey [21.209884703192735]
  深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。 本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
  論文  参考訳（メタデータ） (2021-01-27T09:32:58Z)
• Deep Burst Super-Resolution [165.90445859851448]
  バースト超解像タスクのための新しいアーキテクチャを提案する。 我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。 実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
  論文  参考訳（メタデータ） (2021-01-26T18:57:21Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)
• On Creating Benchmark Dataset for Aerial Image Interpretation: Reviews, Guidances and Million-AID [57.71601467271486]
  本稿では,RS画像解釈に適したベンチマークデータセットを効率的に作成する方法の問題点について論じる。 本稿ではまず,文献計測によるRS画像解釈のためのインテリジェントアルゴリズム開発における課題について分析する。 提案したガイダンスに続いて、RSイメージデータセットの構築例、すなわち、新しい大規模ベンチマークデータセットであるMario-AIDも提供する。
  論文  参考訳（メタデータ） (2020-06-22T17:59:00Z)
• CBIR using features derived by Deep Learning [0.0]
  CBIR(Content Based Image Retrieval)システムでは、クエリ画像が与えられた大きなデータベースから同様の画像を検索する。 本稿では,大規模な画像分類問題に対して学習したディープラーニング畳み込みネットワークから,事前学習したネットワークモデルから派生した特徴を用いることを提案する。
  論文  参考訳（メタデータ） (2020-02-13T21:26:32Z)

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。