論文の概要: Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data

• arxiv url: http://arxiv.org/abs/2011.11314v2
• Date: Tue, 25 May 2021 13:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-22 02:20:11.021610
• Title: Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data
• Title（参考訳）: ランドカバーマップと補助ラスターデータからの光学画像とSAR画像の合成
• Authors: Gerald Baier and Antonin Deschemps and Michael Schmitt and Naoto Yokoya
• Abstract要約: 我々はランドカバーマップから光学RGBと合成開口レーダ(SAR)のリモートセンシング画像とGANを用いた補助データの両方を合成する。 リモートセンシングでは、デジタル標高モデル(DEM)や降水マップのような多くの種類のデータが土地被覆地図に反映されないことが多いが、それでも画像の内容や構造に影響を与える。 本手法は, 対応するデータセットを用いて, メディア(10m) と高(1m) の解像度画像の合成に成功している。
• 参考スコア（独自算出の注目度）: 14.407683537373325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We synthesize both optical RGB and synthetic aperture radar (SAR) remote sensing images from land cover maps and auxiliary raster data using generative adversarial networks (GANs). In remote sensing, many types of data, such as digital elevation models (DEMs) or precipitation maps, are often not reflected in land cover maps but still influence image content or structure. Including such data in the synthesis process increases the quality of the generated images and exerts more control on their characteristics. Spatially adaptive normalization layers fuse both inputs and are applied to a full-blown generator architecture consisting of encoder and decoder to take full advantage of the information content in the auxiliary raster data. Our method successfully synthesizes medium (10 m) and high (1 m) resolution images when trained with the corresponding data set. We show the advantage of data fusion of land cover maps and auxiliary information using mean intersection over unions (mIoUs), pixel accuracy, and Fr\'echet inception distances (FIDs) using pretrained U-Net segmentation models. Handpicked images exemplify how fusing information avoids ambiguities in the synthesized images. By slightly editing the input, our method can be used to synthesize realistic changes, i.e., raising the water levels. The source code is available at https://github.com/gbaier/rs_img_synth and we published the newly created high-resolution dataset at https://ieee-dataport.org/open-access/geonrw.
• Abstract（参考訳）: 我々はランドカバーマップから光学RGBと合成開口レーダ(SAR)のリモートセンシング画像とGANを用いた補助ラスタデータの両方を合成する。 リモートセンシングでは、デジタル標高モデル(dem)や降水マップなど、多くの種類のデータはしばしば土地被覆地図に反映されることなく、画像の内容や構造に影響を与える。 このようなデータを合成プロセスに含めれば、生成した画像の品質が向上し、その特性をより制御できる。 空間適応正規化層は、両方の入力をヒューズし、エンコーダとデコーダからなる本格的なジェネレータアーキテクチャに適用され、補助ラスターデータにおける情報コンテンツを最大限活用する。 提案手法は,対応するデータセットでトレーニングした場合,媒体(10m),高解像度(1m)画像の合成に成功している。 U-Netセグメンテーションモデルを用いて,土地被覆地図と補助情報の平均交点(mIoUs),画素精度,Fr'echet開始距離(FIDs)を用いたデータ融合の利点を示す。 ハンドピッキング画像は、合成画像の曖昧さを避けるための情報活用の例である。 入力をわずかに編集することで,本手法は現実的な変化,すなわち水位上昇を合成することができる。 ソースコードはhttps://github.com/gbaier/rs_img_synthで公開されています。

関連論文リスト

• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
  約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。 データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。 高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
  論文  参考訳（メタデータ） (2022-05-14T13:15:32Z)
• Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
  1枚以上の画像から3D屋内シーンを没入する問題について検討する。 我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。 本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:54:46Z)
• Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
  我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。 提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
  論文  参考訳（メタデータ） (2021-12-02T18:59:51Z)
• Automatic Feature Highlighting in Noisy RES Data With CycleGAN [0.0]
  電波エコー (RES) は、地下の氷河イメージングでよく用いられる技法であり、基盤となる岩石や氷の知見を提供する。 研究者は、多くの場合、手動による解釈とフィルタリング技術を組み合わせて、データを識別する。 完全な畳み込みネットワークはレーダグラムの層の境界を特定するための自動化された代替手段として提案されている。 そこで本稿では,GANモデルを用いて層境界をノイズで補間し,2次元の氷河RESデータで層をハイライトする手法を提案する。
  論文  参考訳（メタデータ） (2021-08-25T15:03:47Z)
• Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
  画像から高密度深度マップとスパース深度測定を推定する手法を提案する。 我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
  論文  参考訳（メタデータ） (2021-06-06T00:21:12Z)
• Synthetic Glacier SAR Image Generation from Arbitrary Masks Using Pix2Pix Algorithm [12.087729834358928]
  教師あり機械学習は、適切なテスト結果を得るために大量のラベル付きデータを必要とする。 本研究では,Pix2pixアルゴリズムを用いて合成SAR画像を生成することにより,限られたトレーニングデータの問題を軽減することを提案する。 異なるモデルを示し,比較研究を行い,sar画像の説得力のある氷河を定性的・定量的に合成する手法を実証した。
  論文  参考訳（メタデータ） (2021-01-08T23:30:00Z)
• Can Synthetic Data Improve Object Detection Results for Remote Sensing Images? [15.466412729455874]
  本稿では,リモートセンシング画像航空機検出の性能向上のために,広域分布のリアルな合成データの利用を提案する。 レンダリング中に、インスタンスのサイズや背景画像のクラスなど、パラメータをランダムに設定します。 合成画像をよりリアルにするために,CycleGANと実際の未ラベル画像を用いて,画素レベルで合成画像を洗練する。
  論文  参考訳（メタデータ） (2020-06-09T02:23:22Z)
• DeepDualMapper: A Gated Fusion Network for Automatic Map Extraction using Aerial Images and Trajectories [28.89392735657318]
  本稿では,空中画像とGPSトラジェクトリデータを融合するディープDualMapperというディープ畳み込みニューラルネットワークを提案する。 実験の結果,DeepDualMapperは既存の手法よりもはるかに効果的に画像や軌跡の情報を融合できることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T08:33:46Z)

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。