Fugu-MT 論文翻訳(概要): Regularization of Building Boundaries in Satellite Images using Adversarial and Regularized Losses

論文の概要: Regularization of Building Boundaries in Satellite Images using Adversarial and Regularized Losses

arxiv url: http://arxiv.org/abs/2007.11840v1
Date: Thu, 23 Jul 2020 08:07:55 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 13:06:26.401929
Title: Regularization of Building Boundaries in Satellite Images using Adversarial and Regularized Losses
Title（参考訳）: 逆・正則化損失を用いた衛星画像における建築境界の規則化
Authors: Stefano Zorzi, Friedrich Fraundorfer
Abstract要約: 本稿では,逆方向と正規化損失の組み合わせで学習した完全畳み込みニューラルネットワークを用いて,衛星画像における境界補正と正規化を構築する手法を提案する。純粋なMask R-CNNモデルと比較して、全体的なアルゴリズムは精度と完全性の観点から同等のパフォーマンスを達成することができる。
参考スコア（独自算出の注目度）: 17.414655599387274
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we present a method for building boundary refinement and regularization in satellite images using a fully convolutional neural network trained with a combination of adversarial and regularized losses. Compared to a pure Mask R-CNN model, the overall algorithm can achieve equivalent performance in terms of accuracy and completeness. However, unlike Mask R-CNN that produces irregular footprints, our framework generates regularized and visually pleasing building boundaries which are beneficial in many applications.
Abstract（参考訳）: 本稿では,逆損失と正規化損失の組み合わせを訓練した完全畳み込みニューラルネットワークを用いて,衛星画像の境界精細化と正規化を行う手法を提案する。純粋なMask R-CNNモデルと比較して、全体的なアルゴリズムは精度と完全性の観点から同等のパフォーマンスを達成することができる。しかし、不規則なフットプリントを生成するMask R-CNNとは異なり、我々のフレームワークは、多くのアプリケーションで有用な、規則化された視覚的な境界を生成する。

関連論文リスト

Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。提案手法は,HSI分類における最先端手法よりも優れている。
論文参考訳（メタデータ） (2023-04-19T18:32:52Z)
Inharmonious Region Localization via Recurrent Self-Reasoning [18.963031309495005]
合成画像の品質向上のためには,不調和領域の局所化が重要でありながら課題である。古典的なクラスタリングアルゴリズムにインスパイアされた我々は、ピクセルを2つのクラスタ、すなわち不調和なクラスタとバックグラウンドクラスタにグループ化することを目指している。
論文参考訳（メタデータ） (2022-10-05T05:50:24Z)
DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
論文参考訳（メタデータ） (2022-09-30T11:15:03Z)
Robust Real-World Image Super-Resolution against Adversarial Attacks [115.04009271192211]
準知覚不可能な雑音を持つ逆画像サンプルは、深層学習SRモデルを脅かす可能性がある。本稿では,現実のSRに対して,潜在的な敵対的雑音をランダムに消去する頑健なディープラーニングフレームワークを提案する。提案手法は敵攻撃に敏感であり,既存のモデルや防御よりも安定なSR結果を示す。
論文参考訳（メタデータ） (2022-07-31T13:26:33Z)
Robustness Analysis of Classification Using Recurrent Neural Networks with Perturbed Sequential Input [17.856384200209806]
分類タスクを実行するために訓練された安定したリカレントニューラルネットワーク(RNN)に対して、トレーニング可能な重み行列の関数として明示的境界を定量化する。分類タスクの完全精度を保証しつつ、許容可能な最大摂動を徹底的に分析し、特徴付ける。
論文参考訳（メタデータ） (2022-03-10T14:57:40Z)
Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
論文参考訳（メタデータ） (2021-04-25T07:25:16Z)
Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文参考訳（メタデータ） (2020-12-18T08:25:39Z)
Adversarial Robustness Across Representation Spaces [35.58913661509278]
逆サロバスト性は、テスト時の知覚できない摂動に対するディープニューラルネットワークの感受性に対応している。本研究では、複数の自然表現空間に適用された摂動に同時に頑健にできるディープニューラルネットワークのトレーニング問題を考察するために、設定を拡張した。
論文参考訳（メタデータ） (2020-12-01T19:55:58Z)
Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。