Fugu-MT 論文翻訳(概要): Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms

論文の概要: Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms

arxiv url: http://arxiv.org/abs/2004.11021v1
Date: Thu, 23 Apr 2020 08:27:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 10:14:55.785080
Title: Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms
Title（参考訳）: Virtual SAR: 深層学習に基づくスペックル雑音低減アルゴリズムのための合成データセット
Authors: Shrey Dabhi, Kartavya Soni, Utkarsh Patel, Priyanka Sharma and Manojkumar Parmar
Abstract要約: スペックル削減アルゴリズムのトレーニングのための合成データを生成する標準的な方法を提案する。この領域の研究を進めるためのユースケースを実証する。
参考スコア（独自算出の注目度）: 3.0448872422956432
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Synthetic Aperture Radar (SAR) images contain a huge amount of information, however, the number of practical use-cases is limited due to the presence of speckle noise in them. In recent years, deep learning based techniques have brought significant improvement in the domain of denoising and image restoration. However, further research has been hampered by the lack of availability of data suitable for training deep neural network based systems. With this paper, we propose a standard way of generating synthetic data for the training of speckle reduction algorithms and demonstrate a use-case to advance research in this domain.
Abstract（参考訳）: 合成開口レーダ(SAR)画像には大量の情報が含まれているが、スペックルノイズの存在により実用用途の数は限られている。近年,深層学習に基づく技術は,画像復元やノイズ除去の領域において大きな改善をもたらしている。しかし、ディープニューラルネットワークベースのシステムのトレーニングに適したデータがないことが、さらなる研究の妨げとなっている。本稿では,スペックル削減アルゴリズムの学習のための合成データを生成する標準的な方法を提案し,この領域の研究を進めるためのユースケースを示す。

関連論文リスト

Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて雑音空間を介して領域適応を行うことが可能であることを示す。特に,マルチステップの復調過程が補助的な条件入力の影響を受けるというユニークな特性を利用して,雑音予測から有意義な勾配を求める。トレーニング中のショートカットを防止するため,チャンネルシャッフルや残余スワッピングのコントラスト学習などの有用な手法を提案する。
論文参考訳（メタデータ） (2024-06-26T17:40:30Z)
Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
切り離しはシーン分析アルゴリズムの重要な予備段階ですディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。本稿では,自己教師型ベイズ解法を提案する。
論文参考訳（メタデータ） (2020-07-04T11:38:48Z)
SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
論文参考訳（メタデータ） (2020-06-26T15:07:28Z)
Dataset Condensation with Gradient Matching [36.14340188365505]
本研究では,大規模なデータセットを,深層ニューラルネットワークをスクラッチからトレーニングするための情報的合成サンプルの小さなセットに凝縮させることを学習する,データセット凝縮という,データ効率のよい学習のためのトレーニングセット合成手法を提案する。いくつかのコンピュータビジョンベンチマークでその性能を厳格に評価し、最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-06-10T16:30:52Z)
Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文参考訳（メタデータ） (2020-04-26T04:21:49Z)
Two-Stage Resampling for Convolutional Neural Network Training in the Imbalanced Colorectal Cancer Image Classification [1.8275108630751844]
データ不均衡は、現代の機械学習におけるオープンな課題の1つだ。データ不均衡を扱う従来のデータレベルのアプローチは、画像データには適していない。オーバーサンプリングとアンダーサンプリングに関わる問題を緩和する新しい2段階リサンプリング手法を提案する。
論文参考訳（メタデータ） (2020-04-07T13:11:17Z)
Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。本稿では,自己教師型ベイズ解法を提案する。提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
論文参考訳（メタデータ） (2020-01-15T12:21:12Z)

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。