Fugu-MT 論文翻訳(概要): Cloud detection machine learning algorithms for PROBA-V

論文の概要: Cloud detection machine learning algorithms for PROBA-V

arxiv url: http://arxiv.org/abs/2012.10396v1
Date: Wed, 9 Dec 2020 18:23:59 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 01:48:11.605708
Title: Cloud detection machine learning algorithms for PROBA-V
Title（参考訳）: PROBA-Vのためのクラウド検出機械学習アルゴリズム
Authors: Luis G\'omez-Chova, Gonzalo Mateo-Garc\'ia, Jordi Mu\~noz-Mar\'i, Gustau Camps-Valls
Abstract要約: 本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。提案手法の有効性を,多数の実proba-v画像を用いて検証した。
参考スコア（独自算出の注目度）: 6.950862982117125
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper presents the development and implementation of a cloud detection algorithm for Proba-V. Accurate and automatic detection of clouds in satellite scenes is a key issue for a wide range of remote sensing applications. With no accurate cloud masking, undetected clouds are one of the most significant sources of error in both sea and land cover biophysical parameter retrieval. The objective of the algorithms presented in this paper is to detect clouds accurately providing a cloud flag per pixel. For this purpose, the method exploits the information of Proba-V using statistical machine learning techniques to identify the clouds present in Proba-V products. The effectiveness of the proposed method is successfully illustrated using a large number of real Proba-V images.
Abstract（参考訳）: 本稿では,Proba-Vのためのクラウド検出アルゴリズムの開発と実装について述べる。衛星シーンにおける雲の高精度かつ自動検出は、幅広いリモートセンシングアプリケーションにとって重要な課題である。正確な雲のマスキングがないため、未検出の雲は海洋と陸両方の生物物理パラメーターの探索において最も重要なエラー源の1つである。本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。この目的のために、統計的機械学習技術を用いてproba-vの情報を活用し、proba-v製品に存在する雲を識別する。提案手法の有効性を,多数の実proba-v画像を用いて検証した。

関連論文リスト

Image-Guided Outdoor LiDAR Perception Quality Assessment for Autonomous Driving [107.68311433435422]
本研究では,屋外自動運転環境を対象とした画像誘導点雲質評価アルゴリズムを提案する。 IGO-PQA生成アルゴリズムは、単一フレームのLiDARベースのポイントクラウドに対して、全体的な品質スコアを生成する。第2のコンポーネントは、非参照アウトドアポイントクラウド品質評価のためのトランスフォーマーベースのIGO-PQA回帰アルゴリズムである。
論文参考訳（メタデータ） (2024-06-25T04:16:14Z)
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)
Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
我々は,正確なクラウド認識のための新しいデータセットを開発した。領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
論文参考訳（メタデータ） (2024-01-06T09:58:09Z)
Detecting Cloud Presence in Satellite Images Using the RGB-based CLIP Vision-Language Model [0.0]
この研究は、雲によって影響を受ける衛星画像を特定するために、事前訓練されたCLIPビジョン言語モデルの能力を探求する。このモデルを用いて雲の存在検知を行うためのいくつかの手法を提案し,評価した。以上の結果から,CLIPモデルで学習した表現は,雲を含む衛星画像処理作業に有用であることが示唆された。
論文参考訳（メタデータ） (2023-08-01T13:36:46Z)
Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-05-22T07:09:35Z)
Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文参考訳（メタデータ） (2022-04-18T07:18:25Z)
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)
An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
論文参考訳（メタデータ） (2021-03-11T23:19:54Z)
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)
Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
論文参考訳（メタデータ） (2020-07-29T22:52:28Z)
Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2020-01-23T19:13:00Z)

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。