論文の概要: Generating Multi-scale Maps from Remote Sensing Images via Series Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2103.16909v1
• Date: Wed, 31 Mar 2021 08:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:22:16.919505
• Title: Generating Multi-scale Maps from Remote Sensing Images via Series Generative Adversarial Networks
• Title（参考訳）: 直列生成逆ネットワークによるリモートセンシング画像からのマルチスケールマップの生成
• Authors: Xu Chen, Bangguo Yin, Songqiang Chen, Haifeng Li and Tian Xu
• Abstract要約: マルチスケール rs2map 変換のためのジェネレータのシリーズ戦略を開発する。 高分解能RSIをrs2マップモデルに入力し、大規模マップを出力する。 実験により,シリーズ戦略による高品質なマルチスケールマップ生成が示された。
• 参考スコア（独自算出の注目度）: 12.34648824166359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering the success of generative adversarial networks (GANs) for image-to-image translation, researchers have attempted to translate remote sensing images (RSIs) to maps (rs2map) through GAN for cartography. However, these studies involved limited scales, which hinders multi-scale map creation. By extending their method, multi-scale RSIs can be trivially translated to multi-scale maps (multi-scale rs2map translation) through scale-wise rs2map models trained for certain scales (parallel strategy). However, this strategy has two theoretical limitations. First, inconsistency between various spatial resolutions of multi-scale RSIs and object generalization on multi-scale maps (RS-m inconsistency) increasingly complicate the extraction of geographical information from RSIs for rs2map models with decreasing scale. Second, as rs2map translation is cross-domain, generators incur high computation costs to transform the RSI pixel distribution to that on maps. Thus, we designed a series strategy of generators for multi-scale rs2map translation to address these limitations. In this strategy, high-resolution RSIs are inputted to an rs2map model to output large-scale maps, which are translated to multi-scale maps through series multi-scale map translation models. The series strategy avoids RS-m inconsistency as inputs are high-resolution large-scale RSIs, and reduces the distribution gap in multi-scale map generation through similar pixel distributions among multi-scale maps. Our experimental results showed better quality multi-scale map generation with the series strategy, as shown by average increases of 11.69%, 53.78%, 55.42%, and 72.34% in the structural similarity index, edge structural similarity index, intersection over union (road), and intersection over union (water) for data from Mexico City and Tokyo at zoom level 17-13.
• Abstract（参考訳）: 画像と画像の翻訳におけるGAN(Generative Adversarial Network)の成功を考えると、研究者はカートグラフィーのためにGANを介してリモートセンシング画像(RSI)を地図(rs2map)に翻訳しようと試みている。 しかし、これらの研究には限定的なスケールが含まれており、これは複数スケールの地図作成を妨げる。 これらの手法を拡張することにより、マルチスケールRS2マップ変換(multi-scale rs2map translation)に自明に変換することができる。 しかし、この戦略には2つの理論的制限がある。 まず,多スケールrsisの様々な空間分解能と多スケールマップ上の対象一般化(rs-m不整合)との非一貫性は,rs2mapモデルにおけるrsisからの地理的情報抽出をますます複雑化する。 第二に、rs2mapの変換はクロスドメインであるため、生成元は高計算コストでRSIピクセルの分布を地図上で変換する。 そこで本研究では,マルチスケールrs2map変換のためのジェネレータの系列戦略を考案した。 この戦略では、RS2マップモデルに高分解能RSIを入力して大規模マップを出力し、連続したマルチスケールマップ変換モデルを通してマルチスケールマップに変換する。 シリーズ戦略は、入力が高解像度の大規模rsisであるため、rs-mの不整合を回避し、マルチスケールマップ間の類似画素分布を通じて、マルチスケールマップ生成における分散ギャップを低減する。 実験の結果,構造類似度指数,エッジ構造類似度指数,結合(道路)の交差,およびメキシコシティと東京のデータに対する結合(水)の交わりをズームレベル17～13で平均11.69%,53.78%,55.42%,72.34%増加させた。

関連論文リスト

• ROI-Aware Multiscale Cross-Attention Vision Transformer for Pest Image Identification [1.9580473532948401]
  我々は、新しいROI対応マルチスケール・クロスアテンション・ビジョン・トランス (ROI-ViT) を提案する。 提案したROI-ViTは、PestとROIブランチと呼ばれる2つのブランチを使って設計されている。 実験の結果、提案されたROI-ViTはそれぞれIP102、D0、SauTegの害虫データセットに対して81.81%、99.64%、84.66%を達成した。
  論文  参考訳（メタデータ） (2023-12-28T09:16:27Z)
• Learning Continuous Depth Representation via Geometric Spatial Aggregator [47.1698365486215]
  深度マップ超解法(DSR)のための新しい連続深度表現法を提案する。 この表現の中心は我々の提案した幾何空間アグリゲータ(GSA)であり、これは任意にアップサンプリングされたターゲットグリッドにより変調された距離場を利用する。 また、局所座標間の関数マッピングを構築するための原理的な方法を持つGeoDSRというトランスフォーマースタイルのバックボーンも提示する。
  論文  参考訳（メタデータ） (2022-12-07T07:48:23Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
  本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。 階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。 実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-08-04T21:49:29Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• Gradient Variance Loss for Structure-Enhanced Image Super-Resolution [16.971608518924597]
  構造強調損失関数(Gradient Variance(GV)損失)を導入し,知覚特性の詳細でテクスチャを生成する。 実験の結果,GV損失は,既存の画像超解像(SR)深層学習モデルにおいて,構造類似度(SSIM)とピーク信号-雑音比(PSNR)の両方を著しく改善できることがわかった。
  論文  参考訳（メタデータ） (2022-02-02T12:31:05Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• ASDN: A Deep Convolutional Network for Arbitrary Scale Image Super-Resolution [6.672537252929814]
  画像ビューアアプリケーションは通常、画像を任意の倍率スケールに拡大することができる。 本稿では、ラプラシアンピラミッド法を用いて、高周波画像の詳細を用いて、任意のスケールの高分解能画像(HR)を再構成する。
  論文  参考訳（メタデータ） (2020-10-06T01:18:46Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)

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。