論文の概要: Cloud Removal for Remote Sensing Imagery via Spatial Attention Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2009.13015v2
• Date: Sat, 14 Nov 2020 08:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:25:59.782735
• Title: Cloud Removal for Remote Sensing Imagery via Spatial Attention Generative Adversarial Network
• Title（参考訳）: 空間注意生成型逆ネットワークによるリモートセンシング画像のクラウド除去
• Authors: Heng Pan
• Abstract要約: リモートセンシング画像雲除去の課題を解決するため,空間注意生成敵ネットワーク (SpA GAN) というモデルを提案する。 SpA GANは人間の視覚機構を模倣し、局所的な空間的注意を伴って雲の領域を認識し、焦点を合わせる。
• 参考スコア（独自算出の注目度）: 0.9746724603067647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical remote sensing imagery has been widely used in many fields due to its high resolution and stable geometric properties. However, remote sensing imagery is inevitably affected by climate, especially clouds. Removing the cloud in the high-resolution remote sensing satellite image is an indispensable pre-processing step before analyzing it. For the sake of large-scale training data, neural networks have been successful in many image processing tasks, but the use of neural networks to remove cloud in remote sensing imagery is still relatively small. We adopt generative adversarial network to solve this task and introduce the spatial attention mechanism into the remote sensing imagery cloud removal task, proposes a model named spatial attention generative adversarial network (SpA GAN), which imitates the human visual mechanism, and recognizes and focuses the cloud area with local-to-global spatial attention, thereby enhancing the information recovery of these areas and generating cloudless images with better quality...
• Abstract（参考訳）: 光リモートセンシング画像は、高解像度で安定した幾何学的性質のため、多くの分野で広く利用されている。 しかし、リモートセンシングのイメージは必然的に気候、特に雲に影響される。 高解像度リモートセンシング衛星画像内の雲を取り除くことは、分析する前に必要不可欠な前処理である。 大規模なトレーニングデータのために、ニューラルネットワークは多くの画像処理タスクで成功したが、リモートセンシング画像の雲を取り除くためにニューラルネットワークを使うことは、まだ比較的小さい。 本稿では,この課題を解決し,リモートセンシング画像クラウド除去タスクに空間注意機構を導入し,人間の視覚機構を模倣した空間注意制御ネットワーク(spa gan)というモデルを提案し,クラウド領域を局所的空間的注意で認識・集中することにより,これらの領域の情報回復を促進し,雲のない画像を生成する。

関連論文リスト

• Attentive Contextual Attention for Cloud Removal [16.273117614996586]
  雲のカバーは、地球観測のためのリモートセンシング画像の使用を著しく妨げる可能性がある。 ディープラーニング戦略は、クラウドオブサークされた領域の復元において大きな可能性を示している。 注意的文脈注意(AC-Attention)という新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-11-20T05:16:31Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• Volcanic ash delimitation using Artificial Intelligence based on Pix2Pix [0.0]
  火山噴火は、人間の健康に有害な灰を放出し、インフラ、経済活動、環境に損傷を与える。 灰雲の昇華により、その挙動や分散を知ることができ、この現象の防止と緩和に役立つ。 本研究は、入力画像の出力画像へのマッピングを学習する生成的敵対ネットワークの一種であるPix2Pixモデルの使用を提案する。
  論文  参考訳（メタデータ） (2023-07-24T17:49:04Z)
• Defense against Adversarial Cloud Attack on Remote Sensing Salient Object Detection [21.028664417133793]
  本稿では,雲に近づいた画像に対して,対向露光と加法摂動を伴って調整することを提案する。 DefenseNetは、提案されているAdversarial Cloudをホワイトボックス設定で防御し、ブラックボックス設定で他のアタックメソッドを防御することができる。
  論文  参考訳（メタデータ） (2023-06-30T07:06:13Z)
• SAWU-Net: Spatial Attention Weighted Unmixing Network for Hyperspectral Images [91.20864037082863]
  本稿では,空間的注意ネットワークと重み付き未混合ネットワークをエンドツーエンドに学習する,SAWU-Netと呼ばれる空間的注意重み付き未混合ネットワークを提案する。 特に,画素アテンションブロックとウィンドウアテンションブロックからなる空間アテンションモジュールを設計し,画素ベースのスペクトル情報とパッチベースの空間情報を効率的にモデル化する。 実データと合成データの実験結果から,SAWU-Netの精度と優位性が示された。
  論文  参考訳（メタデータ） (2023-04-22T05:22:50Z)
• 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)
• MM811 Project Report: Cloud Detection and Removal in Satellite Images [0.0]
  我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。 従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。 このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
  論文  参考訳（メタデータ） (2022-12-21T21:14:35Z)
• Visual Attention Network [90.0753726786985]
  本稿では,自己アテンションにおける自己適応性および長距離相関を実現するために,新しいカーネルアテンション(LKA)モジュールを提案する。 また、LKAに基づく新しいニューラルネットワーク、すなわちVisual Attention Network (VAN)を導入する。 VANは、最先端のビジョントランスフォーマーと畳み込みニューラルネットワークを、広範な実験において大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-02-20T06:35:18Z)
• Multi-Head Linear Attention Generative Adversarial Network for Thin Cloud Removal [5.753245638190626]
  雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。 薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。 6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
  論文  参考訳（メタデータ） (2020-12-20T11:50:54Z)
• Single Image Deraining via Scale-space Invariant Attention Neural Network [58.5284246878277]
  我々は,カメラに対するレインステーキの外観の視覚的変化に対処するスケールの概念に取り組む。 本稿では,画素領域よりもコンパクトでロバストな畳み込み特徴領域のマルチスケール相関を表現することを提案する。 このようにして、機能マップの最も活発な存在を、有能な特徴として要約する。
  論文  参考訳（メタデータ） (2020-06-09T04:59:26Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。