論文の概要: Multi-Head Linear Attention Generative Adversarial Network for Thin
Cloud Removal
- arxiv url: http://arxiv.org/abs/2012.10898v1
- Date: Sun, 20 Dec 2020 11:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 04:39:31.963634
- Title: Multi-Head Linear Attention Generative Adversarial Network for Thin
Cloud Removal
- Title(参考訳): 薄雲除去のためのマルチヘッド線形注意生成逆ネットワーク
- Authors: Chenxi Duan, Rui Li
- Abstract要約: 雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。
薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。
6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
- 参考スコア(独自算出の注目度): 5.753245638190626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In remote sensing images, the existence of the thin cloud is an inevitable
and ubiquitous phenomenon that crucially reduces the quality of imageries and
limits the scenarios of application. Therefore, thin cloud removal is an
indispensable procedure to enhance the utilization of remote sensing images.
Generally, even though contaminated by thin clouds, the pixels still retain
more or less surface information. Hence, different from thick cloud removal,
thin cloud removal algorithms normally concentrate on inhibiting the cloud
influence rather than substituting the cloud-contaminated pixels. Meanwhile,
considering the surface features obscured by the cloud are usually similar to
adjacent areas, the dependency between each pixel of the input is useful to
reconstruct contaminated areas. In this paper, to make full use of the
dependencies between pixels of the image, we propose a Multi-Head Linear
Attention Generative Adversarial Network (MLAGAN) for Thin Cloud Removal. The
MLA-GAN is based on the encoding-decoding framework consisting of multiple
attention-based layers and deconvolutional layers. Compared with six deep
learning-based thin cloud removal benchmarks, the experimental results on the
RICE1 and RICE2 datasets demonstrate that the proposed framework MLA-GAN has
dominant advantages in thin cloud removal.
- Abstract(参考訳): リモートセンシング画像では、薄い雲の存在は必然的でユビキタスな現象であり、画像の品質を著しく低下させ、アプリケーションのシナリオを制限する。
そのため,薄雲除去はリモートセンシング画像の利用を促進させるには不可欠である。
一般的には、薄い雲で汚染されたとしても、ピクセルは表面情報を多かれ少なかれ保持する。
したがって、厚い雲の除去とは異なり、薄い雲の除去アルゴリズムは通常、雲に汚染されたピクセルの代わりに雲の影響を抑えることに集中する。
一方、雲によって隠された表面の特徴は通常隣接した領域と類似しているため、入力の各ピクセル間の依存性は汚染領域の再構成に有用である。
本稿では,画像の画素間の依存性を最大限に活用するために,雲の薄層除去のためのマルチヘッド線形注意生成逆ネットワーク(mlagan)を提案する。
MLA-GANは、複数の注意層と非畳み込み層からなる符号化・復号化フレームワークに基づいている。
6つのディープラーニングベースの薄雲除去ベンチマークと比較すると、 rice1 と rice2 データセットの実験結果から、提案フレームワークである mla-gan が薄雲除去において優勢であることが分かる。
関連論文リスト
- Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery [41.40522618945897]
我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
論文 参考訳(メタデータ) (2022-06-06T18:53:19Z) - Point Cloud Semantic Segmentation using Multi Scale Sparse Convolution
Neural Network [0.0]
本稿では,マルチスケール超スパース畳み込みに基づく特徴抽出モジュールと,チャネルアテンションに基づく特徴選択モジュールを提案する。
マルチスケールのスパース畳み込みを導入することで、ネットワークは異なるサイズの畳み込みカーネルに基づいてよりリッチな特徴情報をキャプチャできる。
論文 参考訳(メタデータ) (2022-05-03T15:01:20Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - SimIPU: Simple 2D Image and 3D Point Cloud Unsupervised Pre-Training for
Spatial-Aware Visual Representations [85.38562724999898]
我々はSimIPUと呼ばれる2Dイメージと3Dポイントクラウドの教師なし事前学習戦略を提案する。
具体的には、モーダル内空間認識モジュールとモーダル間特徴相互作用モジュールからなるマルチモーダルコントラスト学習フレームワークを開発する。
我々の知る限りでは、屋外マルチモーダルデータセットに対する対照的な学習事前学習戦略を探求する最初の研究である。
論文 参考訳(メタデータ) (2021-12-09T03:27:00Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T17:58:56Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable
Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。
これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文 参考訳(メタデータ) (2021-08-01T13:26:01Z) - Beyond Monocular Deraining: Parallel Stereo Deraining Network Via
Semantic Prior [103.49307603952144]
ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。
本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。
単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2021-05-09T04:15:10Z) - Cloud removal in remote sensing images using generative adversarial
networks and SAR-to-optical image translation [0.618778092044887]
雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。
本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。
第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
論文 参考訳(メタデータ) (2020-12-22T17:19:14Z) - Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
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。
論文 参考訳(メタデータ) (2020-12-09T18:23:59Z)
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。