論文の概要: Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season
Sentinel-2 Imagery
- arxiv url: http://arxiv.org/abs/2009.07683v1
- Date: Wed, 16 Sep 2020 13:40:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:48:24.287126
- Title: Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season
Sentinel-2 Imagery
- Title(参考訳): グローバル・オールシーソン・センチネル2画像における雲除去のためのマルチセンサデータフュージョン
- Authors: Patrick Ebel, Andrea Meraner, Michael Schmitt, Xiaoxiang Zhu
- Abstract要約: 軌道上の地球画像を通して得られた光学観測の大部分は、雲の影響を受けている。
我々は、新しいクラウド除去アプローチをトレーニングするための大きな新しいデータセットをキュレートすることで、一般化の課題をターゲットにしている。
雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,両極端に対処できる新しいモデルを提案する。
- 参考スコア(独自算出の注目度): 15.459106705735376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work has been accepted by IEEE TGRS for publication. The majority of
optical observations acquired via spaceborne earth imagery are affected by
clouds. While there is numerous prior work on reconstructing cloud-covered
information, previous studies are oftentimes confined to narrowly-defined
regions of interest, raising the question of whether an approach can generalize
to a diverse set of observations acquired at variable cloud coverage or in
different regions and seasons. We target the challenge of generalization by
curating a large novel data set for training new cloud removal approaches and
evaluate on two recently proposed performance metrics of image quality and
diversity. Our data set is the first publically available to contain a global
sample of co-registered radar and optical observations, cloudy as well as
cloud-free. Based on the observation that cloud coverage varies widely between
clear skies and absolute coverage, we propose a novel model that can deal with
either extremes and evaluate its performance on our proposed data set. Finally,
we demonstrate the superiority of training models on real over synthetic data,
underlining the need for a carefully curated data set of real observations. To
facilitate future research, our data set is made available online
- Abstract(参考訳): この研究はIEEE TGRSによって出版に受け入れられている。
宇宙から観測された観測のほとんどは、雲の影響を受けている。
雲に覆われた情報を再構築する先行研究は数多くあるが、従来の研究はしばしば狭義の関心領域に限られており、様々な雲のカバレッジや異なる地域や季節で得られた様々な観測にアプローチが一般化できるかどうかという疑問が提起されている。
我々は,新たなクラウド除去アプローチをトレーニングするための,大規模な新しいデータセットを算出し,画像品質と多様性の2つのパフォーマンス指標を評価することで,一般化の課題を掲げる。
当社のデータセットは、クラウドフリーだけでなく、共同登録されたレーダーと光学観測のグローバルなサンプルを含む、最初の公開データセットです。
雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,提案したデータセット上で,極端に対処し,その性能を評価する新しいモデルを提案する。
最後に,実データよりも実データ上でのトレーニングモデルの優位性を実証し,実データ集合の注意深いキュレーションの必要性を概説する。
今後の研究を容易にするため,我々のデータセットをオンラインで公開する。
関連論文リスト
- Zero-shot Point Cloud Completion Via 2D Priors [52.72867922938023]
3次元点雲の完成は、部分的に観測された点雲から完全な形状を復元するように設計されている。
そこで本研究では, 観測された点群を対象とするゼロショットフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-10T08:02:17Z) - 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) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳(メタデータ) (2023-11-23T14:28:28Z) - Segment Any Point Cloud Sequences by Distilling Vision Foundation Models [55.12618600523729]
Sealは、さまざまな自動車のポイントクラウドシーケンスをセグメント化するためのビジョンファウンデーションモデル(VFM)を利用するフレームワークである。
Sealはスケーラビリティ、一貫性、一般化性という3つの魅力的な特性を示している。
論文 参考訳(メタデータ) (2023-06-15T17:59:54Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - Effective Utilisation of Multiple Open-Source Datasets to Improve
Generalisation Performance of Point Cloud Segmentation Models [0.0]
航空点雲データのセマンティックセグメンテーションは、地面、建物、植生などのクラスに属するポイントを区別するために利用することができる。
ドローンや飛行機に搭載された空中センサーから発生する点雲は、LIDARセンサーやカメラと光度計を利用することができる。
そこで本研究では,データセットの単純な組み合わせが,期待通りに一般化性能を向上したモデルを生成することを示す。
論文 参考訳(メタデータ) (2022-11-29T02:31:01Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - A Recommender System-Inspired Cloud Data Filling Scheme for
Satellite-based Coastal Observation [0.0]
本研究は,オンラインショッピング用に設計されたレコメンデーションシステムにおけるデータ計算手法の成功に触発されたものである。
合成雲カバーの幅の広いLandSatデータセットに対して数値実験を設計・実施した。
Funk-SVDと呼ばれるシステムにインスパイアされた行列分解アルゴリズムは、計算精度と効率において優れた性能を示した。
論文 参考訳(メタデータ) (2021-11-27T18:26:11Z) - Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。
Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
論文 参考訳(メタデータ) (2021-06-23T08:15:01Z) - Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder [10.660968055962325]
自動回転不変クラウドクラスタリング(RICC)法について述べる。
大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。
その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
論文 参考訳(メタデータ) (2021-03-08T16:45:14Z) - CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。
画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。
データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
論文 参考訳(メタデータ) (2020-07-15T20:20:55Z)
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。