論文の概要: Single Image Cloud Detection via Multi-Image Fusion
- arxiv url: http://arxiv.org/abs/2007.15144v1
- Date: Wed, 29 Jul 2020 22:52:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 20:36:23.454252
- Title: Single Image Cloud Detection via Multi-Image Fusion
- Title（参考訳）: 複数画像融合による単一画像雲検出
- Authors: Scott Workman, M. Usman Rafique, Hunter Blanton, Connor Greenwell,
Nathan Jacobs
- Abstract要約: アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。
マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。
我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
- 参考スコア（独自算出の注目度）: 23.641624507709274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artifacts in imagery captured by remote sensing, such as clouds, snow, and
shadows, present challenges for various tasks, including semantic segmentation
and object detection. A primary challenge in developing algorithms for
identifying such artifacts is the cost of collecting annotated training data.
In this work, we explore how recent advances in multi-image fusion can be
leveraged to bootstrap single image cloud detection. We demonstrate that a
network optimized to estimate image quality also implicitly learns to detect
clouds. To support the training and evaluation of our approach, we collect a
large dataset of Sentinel-2 images along with a per-pixel semantic labelling
for land cover. Through various experiments, we demonstrate that our method
reduces the need for annotated training data and improves cloud detection
performance.
- Abstract（参考訳）: 雲、雪、影などのリモートセンシングによってキャプチャされた画像のアーティファクトは、セマンティックセグメンテーションやオブジェクト検出など、さまざまなタスクの課題を提示している。
このようなアーティファクトを特定するアルゴリズムを開発する上での大きな課題は、注釈付きトレーニングデータを集めるコストである。
本研究では,マルチイメージ融合の最近の進歩を,単一イメージクラウド検出のブートストラップに活用する方法について検討する。
画像品質の推定に最適化されたネットワークは暗黙的に雲の検出を学習する。
このアプローチのトレーニングと評価をサポートするために,sentinel-2画像の大規模なデータセットと,ランドカバー用のピクセル単位のセマンティクスラベリングを収集した。
各種実験により,アノテートしたトレーニングデータの必要性を低減し,クラウド検出性能を向上させることを実証した。
関連論文リスト
- SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。
提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2024-03-18T14:18:08Z) - BenchCloudVision: A Benchmark Analysis of Deep Learning Approaches for
Cloud Detection and Segmentation in Remote Sensing Imagery [0.0]
本稿では,雲の識別に応用した7つの最先端セマンティックセマンティックセマンティクスと検出アルゴリズムについて検討する。
モデルの適応性を高めるために、トレーニング中に使用される画像の種類とスペクトル帯域の量を含む重要な要素を解析する。
研究は、少数のスペクトルバンドだけでクラウドセグメンテーションを実行できる機械学習アルゴリズムを作成しようとしている。
論文 参考訳（メタデータ） (2024-02-21T16:32:43Z) - Learning to detect cloud and snow in remote sensing images from noisy
labels [26.61590605351686]
リモートセンシング画像におけるシーンの複雑さとクラウドタイプの多様性は、多くの不正確なラベルをもたらす。
本稿では,リモートセンシング画像の雲や雪の検出に対するラベルノイズの影響を初めて考察する。
論文 参考訳（メタデータ） (2024-01-17T03:02:31Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。
学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文 参考訳（メタデータ） (2022-12-31T08:58:39Z) - Cross-modal Learning for Image-Guided Point Cloud Shape Completion [23.779985842891705]
局所化潜在空間における2つのモダリティからの情報をどのように組み合わせることができるかを示す。
また、補助画像が監視信号を提供するような、弱い教師付き設定についても検討する。
実験は、一様および多様の完成のための最先端の教師付き手法よりも大幅に改善された。
論文 参考訳（メタデータ） (2022-09-20T08:37:05Z) - AugNet: End-to-End Unsupervised Visual Representation Learning with
Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。
実験により,低次元空間における画像の表現が可能であることを実証した。
多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文 参考訳（メタデータ） (2021-06-11T09:02:30Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳（メタデータ） (2021-03-04T06:31:06Z) - Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。
画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。
画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T18:05:01Z)
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。