論文の概要: Feedback Neural Network based Super-resolution of DEM for generating high fidelity features

• arxiv url: http://arxiv.org/abs/2007.01940v1
• Date: Fri, 3 Jul 2020 21:10:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 06:03:53.796356
• Title: Feedback Neural Network based Super-resolution of DEM for generating high fidelity features
• Title（参考訳）: フィードバックニューラルネットワークによる高忠実度特徴生成のためのDEMの超解像
• Authors: Ashish Kubade, Avinash Sharma, K S Rajan
• Abstract要約: 低分解能DEMに繰り返し高頻度の詳細を追加することを学習する新しいニューラルネットワークアーキテクチャを提案する。 我々のネットワークDSRFBは、4つの異なるデータセットにわたるRMSEの0.59から1.27を達成する。
• 参考スコア（独自算出の注目度）: 4.722870664660785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High resolution Digital Elevation Models(DEMs) are an important requirement for many applications like modelling water flow, landslides, avalanches etc. Yet publicly available DEMs have low resolution for most parts of the world. Despite tremendous success in image super resolution task using deep learning solutions, there are very few works that have used these powerful systems on DEMs to generate HRDEMs. Motivated from feedback neural networks, we propose a novel neural network architecture that learns to add high frequency details iteratively to low resolution DEM, turning it into a high resolution DEM without compromising its fidelity. Our experiments confirm that without any additional modality such as aerial images(RGB), our network DSRFB achieves RMSEs of 0.59 to 1.27 across 4 different datasets.
• Abstract（参考訳）: 高解像度デジタル標高モデル(DEM)は、水流、地すべり、雪崩などの多くのアプリケーションにとって重要な要件である。 しかし、一般公開されているDEMは世界のほとんどの地域で低解像度である。 ディープラーニングソリューションを用いた画像超解法タスクは極めて成功したが、これらの強力なシステムをDEM上に使用してRDEMを生成する研究はほとんどない。 フィードバックニューラルネットワークに動機づけられ,低分解能demに高周波数詳細を反復的に付加し,その忠実性を損なうことなく高分解能demに変換する,新たなニューラルネットワークアーキテクチャを提案する。 実験の結果,航空画像(RGB)などの付加的なモダリティがなければ,ネットワークDSRFBは4つの異なるデータセットに対して0.59～1.27のRMSEを達成できることがわかった。

関連論文リスト

• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
  深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。 本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-17T11:06:29Z)
• A Robust and Low Complexity Deep Learning Model for Remote Sensing Image Classification [1.9019295680940274]
  リモートセンシング画像分類(RSIC)のための頑健で低複雑性なディープラーニングモデルを提案する。 ベンチマークデータセットNWPU-RESISC45の広範な実験を行うことで、ロバストで低複雑さのモデルを実現する。
  論文  参考訳（メタデータ） (2022-11-05T06:14:30Z)
• Pyramid Grafting Network for One-Stage High Resolution Saliency Detection [29.013012579688347]
  我々は、異なる解像度画像から特徴を独立して抽出する、Praamid Grafting Network (PGNet) と呼ばれるワンステージフレームワークを提案する。 CNNブランチが壊れた詳細情報をよりホモロジーに組み合わせられるように、アテンションベースのクロスモデルグラフティングモジュール (CMGM) が提案されている。 我々は,4K-8K解像度で5,920個の画像を含む超高分解能塩度検出データセットUHRSDを新たに提供した。
  論文  参考訳（メタデータ） (2022-04-11T12:22:21Z)
• NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
  主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。 提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
  論文  参考訳（メタデータ） (2021-12-03T07:33:47Z)
• DEM Super-Resolution with EfficientNetV2 [0.0]
  デジタル標高モデル(DEM)データセットはそのような例であるが、低解像度版は広く利用でき、高解像度版は少ない。 提案モデルでは,DEMの空間分解能を16倍に向上する。
  論文  参考訳（メタデータ） (2021-09-20T16:26:58Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• AFN: Attentional Feedback Network based 3D Terrain Super-Resolution [5.349223987137843]
  低分解能ディジタル標高モデル(LRDEM)の高分解能化を目的とした,完全畳み込みニューラルネットワークに基づく新しい超解像アーキテクチャを提案する。 我々は、LRDEMと空中画像の情報を選択的に融合させ、高周波の特徴を増強し、現実的に地形を創出する「注意フィードバックネットワーク(AFN)」と呼ばれる注意ベースのフィードバック機構を用いて、LRDEMの超解像を行う。
  論文  参考訳（メタデータ） (2020-10-04T16:51:39Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)
• Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
  本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。 提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
  論文  参考訳（メタデータ） (2020-09-02T22:33:23Z)
• D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
  LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。 DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。 ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
  論文  参考訳（メタデータ） (2020-04-09T19:57:49Z)

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。