Fugu-MT 論文翻訳(概要): Generating Synthetic Multispectral Satellite Imagery from Sentinel-2

論文の概要: Generating Synthetic Multispectral Satellite Imagery from Sentinel-2

arxiv url: http://arxiv.org/abs/2012.03108v1
Date: Sat, 5 Dec 2020 19:41:33 GMT
ステータス: 処理完了
システム内更新日: 2021-05-22 13:51:55.941209
Title: Generating Synthetic Multispectral Satellite Imagery from Sentinel-2
Title（参考訳）: sentinel-2による合成多スペクトル衛星画像の生成
Authors: Tharun Mohandoss, Aditya Kulkarni, Daniel Northrup, Ernest Mwebaze, Hamed Alemohammad
Abstract要約: 本研究では,Sentinel-2データに基づくマルチ解像度マルチスペクトル画像を生成する生成モデルを提案する。得られた合成画像は、人間によって実際のものと区別できない。
参考スコア（独自算出の注目度）: 3.4797121357690153
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-spectral satellite imagery provides valuable data at global scale for many environmental and socio-economic applications. Building supervised machine learning models based on these imagery, however, may require ground reference labels which are not available at global scale. Here, we propose a generative model to produce multi-resolution multi-spectral imagery based on Sentinel-2 data. The resulting synthetic images are indistinguishable from real ones by humans. This technique paves the road for future work to generate labeled synthetic imagery that can be used for data augmentation in data scarce regions and applications.
Abstract（参考訳）: マルチスペクトル衛星画像は、多くの環境・社会経済的応用において、世界規模で貴重なデータを提供する。しかし、これらの画像に基づいて教師付き機械学習モデルを構築するには、グローバルスケールでは利用できない地上参照ラベルが必要である。本研究では,sentinel-2データに基づくマルチレゾリューションマルチスペクトル画像を生成する生成モデルを提案する。得られた合成画像は、人間によって実際のものと区別できない。この技術は、データ不足領域やアプリケーションにおけるデータ拡張に使用できるラベル付き合成画像を生成するための将来の研究の道を開く。

関連論文リスト

Generating Synthetic Satellite Imagery With Deep-Learning Text-to-Image Models -- Technical Challenges and Implications for Monitoring and Verification [46.42328086160106]
コンディショニング機構を用いて合成衛星画像の作成方法について検討する。評価結果は,信頼性と最先端の指標に基づいて評価する。本稿では,衛星画像の監視と検証の文脈における意義について論じる。
論文参考訳（メタデータ） (2024-04-11T14:00:20Z)
Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文参考訳（メタデータ） (2024-03-28T22:25:05Z)
GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文参考訳（メタデータ） (2024-02-03T03:13:50Z)
Synthetic Data for Semantic Image Segmentation of Imagery of Unmanned Spacecraft [0.0]
宇宙空間で活動している他の宇宙船から撮影された宇宙船の画像は入手が困難である。本稿では,他のタスクに一般化可能なセグメンテーションのためのラベル付き合成画像データを生成する手法を提案する。本研究は,これらの合成データに対する強力なベンチマーク結果を示し,この課題に対して良好な画像分割モデルの訓練を行うことが可能であることを示唆する。
論文参考訳（メタデータ） (2022-11-22T01:30:40Z)
Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文参考訳（メタデータ） (2022-10-14T06:54:24Z)
Synthetic Data for Model Selection [2.4499092754102874]
合成データはモデル選択に有用であることを示す。そこで本研究では,実領域に適合する合成誤差推定をキャリブレーションする新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-03T09:52:03Z)
Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文参考訳（メタデータ） (2020-12-07T16:23:13Z)
Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文参考訳（メタデータ） (2020-03-02T17:49:32Z)
The Synthinel-1 dataset: a collection of high resolution synthetic overhead imagery for building segmentation [1.5293427903448025]
我々は,大規模かつ多様な仮想環境を迅速かつ安価に生成する手法を開発した。我々は,Synthinel-1が実世界のトレーニング画像の拡張に有用であることを示すために,いくつかのベンチマークデータセットを使用した。
論文参考訳（メタデータ） (2020-01-15T04:30:45Z)

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。