論文の概要: Deep Learning Meets SAR
- arxiv url: http://arxiv.org/abs/2006.10027v2
- Date: Tue, 5 Jan 2021 12:25:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 20:26:30.109430
- Title: Deep Learning Meets SAR
- Title(参考訳): ディープラーニングがSARと出会う
- Authors: Xiao Xiang Zhu, Sina Montazeri, Mohsin Ali, Yuansheng Hua, Yuanyuan
Wang, Lichao Mou, Yilei Shi, Feng Xu, Richard Bamler
- Abstract要約: リモートセンシングにおける深層学習は国際的な誇大広告となっているが、主に光学データの評価に限られている。
深層学習はSAR(Synthetic Aperture Radar)データ処理で導入されているが、最初の試みが成功したにもかかわらず、その大きな可能性はまだロックされていない。
- 参考スコア(独自算出の注目度): 27.996959802587998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning in remote sensing has become an international hype, but it is
mostly limited to the evaluation of optical data. Although deep learning has
been introduced in Synthetic Aperture Radar (SAR) data processing, despite
successful first attempts, its huge potential remains locked. In this paper, we
provide an introduction to the most relevant deep learning models and concepts,
point out possible pitfalls by analyzing special characteristics of SAR data,
review the state-of-the-art of deep learning applied to SAR in depth, summarize
available benchmarks, and recommend some important future research directions.
With this effort, we hope to stimulate more research in this interesting yet
under-exploited research field and to pave the way for use of deep learning in
big SAR data processing workflows.
- Abstract(参考訳): リモートセンシングにおける深層学習は国際的な誇大広告となっているが、主に光学データの評価に限られている。
深層学習はSAR(Synthetic Aperture Radar)データ処理で導入されているが、最初の試みが成功したにもかかわらず、その大きな可能性はまだロックされていない。
本稿では、最も関連性の高いディープラーニングモデルと概念を紹介し、SARデータの特殊特性を分析して落とし穴を指摘し、SARに適用されたディープラーニングの現状を詳細に検証し、利用可能なベンチマークを要約し、いくつかの重要な研究方向性を推奨する。
この取り組みにより、興味深いが未熟な研究分野におけるさらなる研究を刺激し、大規模なsarデータ処理ワークフローにおけるディープラーニングの利用方法を広げたいと考えています。
関連論文リスト
- Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。
本稿ではDDの最近の進歩とその応用について概説する。
論文 参考訳(メタデータ) (2023-01-17T17:03:28Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳(メタデータ) (2022-05-11T08:24:00Z) - Interpreting Deep Knowledge Tracing Model on EdNet Dataset [67.81797777936868]
この作業では、EdNetと呼ばれる大規模で新しく利用可能なデータセット上で、同様のタスクを実行します。
予備実験の結果,解釈手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-31T07:18:59Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳(メタデータ) (2020-12-02T15:56:11Z) - Deep Learning for Radio-based Human Sensing: Recent Advances and Future
Directions [16.164651393602508]
ディープ・ラーニングを応用して、無線によるセンシングを新たなレベルに引き上げることに成功している。
深層学習はまた、これまで不可能だった新しい人間の知覚現象の検出を可能にした。
深層学習に基づくRFセンシングの現在の限界と今後の方向性を概説した。
論文 参考訳(メタデータ) (2020-10-23T23:51:56Z) - Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。
本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-23T04:33:36Z) - Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise
Reduction Algorithms [3.0448872422956432]
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。
論文 参考訳(メタデータ) (2020-04-23T08:27:45Z) - Depth Selection for Deep ReLU Nets in Feature Extraction and
Generalization [22.696129751033983]
本研究では,従来の経験的リスク最小化を深層ネットに実装することで,多くの学習課題に対して最適な一般化性能が得られることを示す。
本研究は, トイシミュレーションや地震震度予測の実用化など, 一連の数値実験により検証した。
論文 参考訳(メタデータ) (2020-04-01T06:03:01Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。