論文の概要: SAR Image Despeckling by Deep Neural Networks: from a pre-trained model
to an end-to-end training strategy
- arxiv url: http://arxiv.org/abs/2006.15559v4
- Date: Mon, 21 Sep 2020 12:24:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 03:01:50.759314
- Title: SAR Image Despeckling by Deep Neural Networks: from a pre-trained model
to an end-to-end training strategy
- Title（参考訳）: ディープニューラルネットワークによるsar画像のデスペックリング:事前学習モデルからエンドツーエンドトレーニング戦略へ
- Authors: Emanuele Dalsasso, Xiangli Yang, Lo\"ic Denis, Florence Tupin, Wen
Yang
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、最近、SAR画像復元の最先端のパフォーマンスに達することが示されている。
CNNトレーニングには、多くのスペックルフリー/スペックル故障した画像のペアという、優れたトレーニングデータが必要です。
本稿では,実施したいスペックル除去作業に応じて,採用可能なさまざまな戦略を解析する。
- 参考スコア（独自算出の注目度）: 8.097773654147105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Speckle reduction is a longstanding topic in synthetic aperture radar (SAR)
images. Many different schemes have been proposed for the restoration of
intensity SAR images. Among the different possible approaches, methods based on
convolutional neural networks (CNNs) have recently shown to reach
state-of-the-art performance for SAR image restoration. CNN training requires
good training data: many pairs of speckle-free / speckle-corrupted images. This
is an issue in SAR applications, given the inherent scarcity of speckle-free
images. To handle this problem, this paper analyzes different strategies one
can adopt, depending on the speckle removal task one wishes to perform and the
availability of multitemporal stacks of SAR data. The first strategy applies a
CNN model, trained to remove additive white Gaussian noise from natural images,
to a recently proposed SAR speckle removal framework: MuLoG (MUlti-channel
LOgarithm with Gaussian denoising). No training on SAR images is performed, the
network is readily applied to speckle reduction tasks. The second strategy
considers a novel approach to construct a reliable dataset of speckle-free SAR
images necessary to train a CNN model. Finally, a hybrid approach is also
analyzed: the CNN used to remove additive white Gaussian noise is trained on
speckle-free SAR images. The proposed methods are compared to other
state-of-the-art speckle removal filters, to evaluate the quality of denoising
and to discuss the pros and cons of the different strategies. Along with the
paper, we make available the weights of the trained network to allow its usage
by other researchers.
- Abstract（参考訳）: スペックル低減は合成開口レーダ(SAR)画像における長年の話題である。
強度SAR画像の復元のための様々なスキームが提案されている。
様々な可能なアプローチの中で、畳み込みニューラルネットワーク(CNN)に基づく手法が、最近SAR画像復元の最先端性能に達することが示されている。
CNNトレーニングは、多くのスペックルフリー/スペックル故障画像のペアという、優れたトレーニングデータを必要とする。
これは、スペックルフリー画像が本質的に不足していることを考えると、SARアプリケーションにおける問題である。
この問題に対処するために,本論文では,実行したいスペックル除去タスクと,SARデータのマルチテンポラリスタックの可用性に応じて,採用可能なさまざまな戦略を解析する。
最初の戦略は、最近提案されたsarスペックル除去フレームワークであるmulog (multi-channel logarithm with gaussian denoising) に、自然画像から添加された白色ガウスノイズを除去するように訓練されたcnnモデルを適用する。
SAR画像のトレーニングは行わず、ネットワークは容易にスペックル低減タスクに適用できる。
第2の戦略は、CNNモデルのトレーニングに必要なスペックルフリーなSAR画像の信頼性の高いデータセットを構築するための新しいアプローチを考えることである。
最後に、ハイブリッドアプローチも分析され、付加的な白色ガウスノイズを除去するcnnはスペックルフリーのsarイメージで訓練される。
提案手法は他のスペックル除去フィルタと比較し,ノイズの質を評価し,異なる戦略の長所と短所を考察した。
論文とともに、トレーニングされたネットワークの重みを利用可能にして、他の研究者が使用できるようにする。
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) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - New SAR target recognition based on YOLO and very deep multi-canonical
correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。
MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-28T18:10:26Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - 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) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z) - AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。
FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。
また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文 参考訳（メタデータ） (2020-02-28T10:34:36Z) - 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。
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。