論文の概要: A Convolutional Neural Network with Parallel Multi-Scale Spatial Pooling
to Detect Temporal Changes in SAR Images
- arxiv url: http://arxiv.org/abs/2005.10986v1
- Date: Fri, 22 May 2020 03:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 09:45:05.409259
- Title: A Convolutional Neural Network with Parallel Multi-Scale Spatial Pooling
to Detect Temporal Changes in SAR Images
- Title（参考訳）: SAR画像の時間変化を検出する並列多スケール空間プールを用いた畳み込みニューラルネットワーク
- Authors: Jia-Wei Chen, Rongfang Wang, Fan Ding, Bo Liu, Licheng Jiao, Jie Zhang
- Abstract要約: 合成開口レーダ(SAR)画像変化検出では,ノイズ差画像から変化する情報を活用することは極めて困難である。
雑音差画像から変化した情報を利用するマルチスケール空間プーリング(MSSP)ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 43.56177583903999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In synthetic aperture radar (SAR) image change detection, it is quite
challenging to exploit the changing information from the noisy difference image
subject to the speckle. In this paper, we propose a multi-scale spatial pooling
(MSSP) network to exploit the changed information from the noisy difference
image. Being different from the traditional convolutional network with only
mono-scale pooling kernels, in the proposed method, multi-scale pooling kernels
are equipped in a convolutional network to exploit the spatial context
information on changed regions from the difference image. Furthermore, to
verify the generalization of the proposed method, we apply our proposed method
to the cross-dataset bitemporal SAR image change detection, where the MSSP
network (MSSP-Net) is trained on a dataset and then applied to an unknown
testing dataset. We compare the proposed method with other state-of-arts and
the comparisons are performed on four challenging datasets of bitemporal SAR
images. Experimental results demonstrate that our proposed method obtains
comparable results with S-PCA-Net on YR-A and YR-B dataset and outperforms
other state-of-art methods, especially on the Sendai-A and Sendai-B datasets
with more complex scenes. More important, MSSP-Net is more efficient than
S-PCA-Net and convolutional neural networks (CNN) with less executing time in
both training and testing phases.
- Abstract（参考訳）: 合成開口レーダ(sar)画像変化検出において、スペックルに被ったノイズの差画像から変化情報を利用するのは極めて困難である。
本稿では,雑音差画像から変化した情報を利用するマルチスケール空間プーリング(MSSP)ネットワークを提案する。
単一スケールのプーリングカーネルしか持たない従来の畳み込みネットワークとは違い,提案手法では,差分画像から変化する領域の空間コンテキスト情報を利用する畳み込みネットワークを備えている。
さらに,提案手法の一般化を検証するために,提案手法をデータセット上でMSSPネットワーク(MSSP-Net)をトレーニングし,未知のテストデータセットに適用するクロスデータセットバイテンポラルSAR画像変化検出に適用した。
提案手法を他の最先端技術と比較し,びまん性sar画像の4つの課題データセットで比較を行った。
実験の結果,提案手法はyr-aおよびyr-bのs-pca-netと比較し,より複雑なシーンのsendai-aおよびsendai-bデータセットにおいて,他の最先端手法よりも優れていた。
さらに重要なのは、MSSP-NetはS-PCA-Netや畳み込みニューラルネットワーク(CNN)よりも効率的で、トレーニングとテストのフェーズでの実行時間が少ないことだ。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。
実験により,提案手法が現在の先行手法を超越していることが実証された。
論文 参考訳（メタデータ） (2024-01-19T04:40:20Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - SSN: Stockwell Scattering Network for SAR Image Change Detection [15.016384404176398]
提案したSSNは、ノイズ耐性の特徴表現を提供し、SAR画像変化検出における最先端性能を得る。
3つの実SAR画像データセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-04-22T13:35:34Z) - Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。
本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文 参考訳（メタデータ） (2022-09-02T08:06:58Z) - Comparison of convolutional neural networks for cloudy optical images
reconstruction from single or multitemporal joint SAR and optical images [0.21079694661943604]
本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。
光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。
空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
論文 参考訳（メタデータ） (2022-04-01T13:31:23Z) - Context-Preserving Instance-Level Augmentation and Deformable
Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。
ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2022-02-14T07:01:01Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2022-01-23T20:09:01Z) - Change Detection from SAR Images Based on Deformable Residual
Convolutional Neural Networks [26.684293663473415]
畳み込みニューラルネットワーク(cnn)は合成開口レーダ(sar)画像変化検出において大きな進歩を遂げている。
本稿では,SAR画像変化検出のための新しいUnderlineDeformable Underline Residual Convolutional Neural UnderlineNetwork (DRNet) を提案する。
論文 参考訳（メタデータ） (2021-04-06T05:52:25Z) - Robust Unsupervised Small Area Change Detection from SAR Imagery Using
Deep Learning [23.203687716051697]
合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。
差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。
二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
論文 参考訳（メタデータ） (2020-11-22T12:50:08Z)
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。