論文の概要: Single Image Super-resolution with a Switch Guided Hybrid Network for Satellite Images

• arxiv url: http://arxiv.org/abs/2011.14380v1
• Date: Sun, 29 Nov 2020 14:47:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 08:57:11.540080
• Title: Single Image Super-resolution with a Switch Guided Hybrid Network for Satellite Images
• Title（参考訳）: 衛星画像用スイッチ型ハイブリッドネットワークを用いた単一画像超解像
• Authors: Shreya Roy, Anirban Chakraborty (Indian Institute of Science, Bangalore)
• Abstract要約: SISRの文脈で、深層モデルの最近の進化を掘り下げる。 そのアイデアは、パッチを自動的に1つのカテゴリに分類するスイッチを訓練することだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The major drawbacks with Satellite Images are low resolution, Low resolution makes it difficult to identify the objects present in Satellite images. We have experimented with several deep models available for Single Image Superresolution on the SpaceNet dataset and have evaluated the performance of each of them on the satellite image data. We will dive into the recent evolution of the deep models in the context of SISR over the past few years and will present a comparative study between these models. The entire Satellite image of an area is divided into equal-sized patches. Each patch will be used independently for training. These patches will differ in nature. Say, for example, the patches over urban areas have non-homogeneous backgrounds because of different types of objects like vehicles, buildings, roads, etc. On the other hand, patches over jungles will be more homogeneous in nature. Hence, different deep models will fit on different kinds of patches. In this study, we will try to explore this further with the help of a Switching Convolution Network. The idea is to train a switch classifier that will automatically classify a patch into one category of models best suited for it.
• Abstract（参考訳）: 衛星画像の主な欠点は低解像度であり、低解像度は衛星画像に存在する物体を特定するのを困難にしている。 我々は,spacenetデータセット上で単一画像の超解像が可能な深層モデルをいくつか実験し,衛星画像データにおける各画像の性能評価を行った。 この数年間、SISRの文脈における深層モデルの最近の進化を掘り下げ、これらのモデルの比較研究を示す。 エリアの衛星画像全体は等サイズのパッチに分割される。 各パッチは独立してトレーニングに使用される。 これらのパッチは本質的に異なります。 例えば、都市部のパッチには、車、建物、道路など、さまざまな種類のオブジェクトがあるため、非均質な背景があります。 一方、ジャングル上のパッチは自然界においてより均質である。 したがって、異なるディープモデルが異なる種類のパッチに適合する。 本研究では,スイッチング畳み込みネットワークの助けを借りて,この問題をさらに探究する。 そのアイデアは、パッチを最も適した1つのカテゴリに自動的に分類するスイッチ分類器をトレーニングすることだ。

関連論文リスト

• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
  ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。 本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
  論文  参考訳（メタデータ） (2023-11-29T09:31:31Z)
• The Change You Want to See (Now in 3D) [65.61789642291636]
  本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。 我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。 我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
  論文  参考訳（メタデータ） (2023-08-21T01:59:45Z)
• PATS: Patch Area Transportation with Subdivision for Local Feature Matching [78.67559513308787]
  局所特徴マッチングは、一対のイメージ間のスパース対応を確立することを目的としている。 この問題に対処するために,PATS(Patch Area Transportation with Subdivision)を提案する。 PATSは、マッチング精度とカバレッジの両方を改善し、下流タスクにおいて優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-03-14T08:28:36Z)
• Object Detection performance variation on compressed satellite image datasets with iquaflow [0.0]
  iquaflowは、画像データセットを変更することで、画質とモデルパフォーマンスの変化を研究するように設計されている。 公開画像データセットを用いたオブジェクト検出モデルの導入に関する展示研究を行っている。
  論文  参考訳（メタデータ） (2023-01-14T11:20:27Z)
• Towards Transformer-based Homogenization of Satellite Imagery for Landsat-8 and Sentinel-2 [1.4699455652461728]
  Landsat-8(NASA)とSentinel-2(ESA)は、公開データを提供する2つの著名なマルチスペクトルイメージング衛星プロジェクトである。 この研究は、両方の衛星プロジェクトから観測されるスペクトルと空間の差を減らすために、トランスフォーマーベースのモデルを使用する可能性について、一目でわかる。
  論文  参考訳（メタデータ） (2022-10-14T09:13:34Z)
• Convolutional Neural Processes for Inpainting Satellite Images [56.032183666893246]
  Inpaintingは、既知のピクセルに基づいて何が欠けているかを予測することを含み、画像処理における古い問題である。 本研究では,LANDSAT 7衛星画像のスキャンライン塗装問題に対して,従来の手法や最先端のディープラーニング塗装モデルよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-05-24T23:29:04Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• HIPA: Hierarchical Patch Transformer for Single Image Super Resolution [62.7081074931892]
  本稿では,階層型パッチ分割を用いた高解像度画像を段階的に復元する新しいトランスフォーマーアーキテクチャHIPAを提案する。 入力画像を複数のステージで処理するカスケードモデルを構築し、小さなパッチサイズでトークンから始めて、徐々に全解像度にマージします。 このような階層的なパッチ機構は、複数の解像度で機能集約を可能にするだけでなく、異なる画像領域に対するパッチ認識機能も適応的に学習する。
  論文  参考訳（メタデータ） (2022-03-19T05:09:34Z)
• Manifold-Inspired Single Image Interpolation [17.304301226838614]
  単画像への多くのアプローチは半局所類似性を利用するために多様体モデルを使用する。 入力画像のエイリアス化は どちらの部分も困難です 本稿では,重度のエイリアス領域におけるエイリアス除去のための適応手法を提案する。 この技術は、強いエイリアスが存在する場合でも、類似したパッチを確実に識別することができる。
  論文  参考訳（メタデータ） (2021-07-31T04:29:05Z)
• DAugNet: Unsupervised, Multi-source, Multi-target, and Life-long Domain Adaptation for Semantic Segmentation of Satellite Images [6.481759968656933]
  衛星画像の教師なし・マルチソース・マルチターゲット・生涯領域適応のための新しいアプローチであるDAugNetを提案する。 浅層ネットワークであるデータ拡張器は、教師なしの方法で複数の衛星画像間のスタイル転送を行うことができる。 実験の結果,DAugNetは既存のアプローチよりも,新たな地理的位置への一般化が著しく進んでいることが確認された。
  論文  参考訳（メタデータ） (2020-05-13T09:11:22Z)

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。