Fugu-MT 論文翻訳(概要): A deep network approach to multitemporal cloud detection

論文の概要: A deep network approach to multitemporal cloud detection

arxiv url: http://arxiv.org/abs/2012.10393v1
Date: Wed, 9 Dec 2020 08:58:36 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 01:48:52.499814
Title: A deep network approach to multitemporal cloud detection
Title（参考訳）: 多時期雲検出のための深層ネットワークアプローチ
Authors: Devis Tuia, Benjamin Kellenberger, Adrian P\'erez-Suay, Gustau Camps-Valls
Abstract要約: Meteosat Second Generation (MSG) 衛星に搭載された Seviri Imager によって取得された画像時系列における雲を検出するための時間記憶付きディープラーニングモデルを提案する。モデルは、ピクセルレベルのクラウドマップと関連する信頼性を提供し、繰り返しニューラルネットワーク構造を介して時間の情報を伝達します。
参考スコア（独自算出の注目度）: 15.39911641413792
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a deep learning model with temporal memory to detect clouds in image time series acquired by the Seviri imager mounted on the Meteosat Second Generation (MSG) satellite. The model provides pixel-level cloud maps with related confidence and propagates information in time via a recurrent neural network structure. With a single model, we are able to outline clouds along all year and during day and night with high accuracy.
Abstract（参考訳）: 本稿では,メテオサット第2世代(MSG)衛星に搭載されたセビリ撮像装置によって得られた画像時系列中の雲を検出するための時間記憶を用いた深層学習モデルを提案する。このモデルは、関連する信頼度を持つピクセルレベルのクラウドマップを提供し、リカレントニューラルネットワーク構造を介して時間内に情報を伝搬する。単一のモデルで、一年中、日中、夜の間、高い精度で雲を概説することができます。

関連論文リスト

HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文参考訳（メタデータ） (2024-03-18T14:18:08Z)
Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
論文参考訳（メタデータ） (2023-08-18T02:12:54Z)
U-TILISE: A Sequence-to-sequence Model for Cloud Removal in Optical Satellite Time Series [22.39321609253005]
我々は,クラウドにマッピングされた入力シーケンスを,クラウドのない出力シーケンスにマッピングできるニューラルモデルを開発した。本研究では,欧州全域で取得した衛星センチネル2時系列のデータセットを用いて,提案モデルの有効性を実験的に評価した。標準ベースラインと比較して、PSNRは以前見られた場所で1.8dB、見えない場所では1.3dB増加する。
論文参考訳（メタデータ） (2023-05-22T17:37:10Z)
Cloud Classification with Unsupervised Deep Learning [6.285964948191585]
我々のフレームワークは、NASAのMODIS(Moderate Resolution Imaging Spectroradiometer)衛星機器によって生成された放射データから直接雲の特徴を学習する。本手法は,放射データから物理的に関連のある情報を抽出し,意味のあるクラウドクラスを生成することを示す予備的な結果を示す。
論文参考訳（メタデータ） (2022-09-30T16:56:58Z)
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)
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)
Seeing Through Clouds in Satellite Images [14.84582204034532]
本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における隠蔽領域の再構成を支援する。
論文参考訳（メタデータ） (2021-06-15T20:01:27Z)
TPCN: Temporal Point Cloud Networks for Motion Forecasting [47.829152433166016]
軌道予測のための空間的・時間的共同学習フレームワークを提案する。空間的次元ではエージェントは無秩序な点集合と見なすことができ、したがってエージェントの位置をモデル化するためにポイントクラウド学習技術を適用することは容易である。 Argoverse運動予測ベンチマークの実験は、私たちのアプローチが最先端の結果を達成することを示しています。
論文参考訳（メタデータ） (2021-03-04T14:44:32Z)
Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach [1.8655840060559172]
データ駆動型ディープラーニングアプローチに基づくクラウドモーションウィンドアルゴリズムについて検討する。深層学習モデルを用いて、運動特徴表現を自動的に学習し、雲の風の場を直接出力する。我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。
論文参考訳（メタデータ） (2020-10-03T05:40:36Z)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。