論文の概要: Coastline extraction from ALOS-2 satellite SAR images

• arxiv url: http://arxiv.org/abs/2104.04722v1
• Date: Sat, 10 Apr 2021 09:29:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 13:56:12.172397
• Title: Coastline extraction from ALOS-2 satellite SAR images
• Title（参考訳）: ALOS-2衛星SAR画像からの海岸線抽出
• Authors: Petr Hurtik and Marek Vajgl
• Abstract要約: 海岸の継続的監視は、侵食に対する海岸保護戦略の設計において重要な役割を担っている。 このようなデータを最先端の手法、すなわちディープラーニングに基づくアプローチでどのように処理できるかを示す。 我々は,人間が認識していなくても,画像から海岸線を正確に抽出できる独自のソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The continuous monitoring of a shore plays an essential role in designing strategies for shore protection against erosion. To avoid the effect of clouds and sunlight, satellite-based imagery with synthetic aperture radar is used to provide the required data. We show how such data can be processed using state-of-the-art methods, namely, by a deep-learning-based approach, to detect the coastline location. We split the process into data reading, data preprocessing, model training, inference, ensembling, and postprocessing, and describe the best techniques for each of the parts. Finally, we present our own solution that is able to precisely extract the coastline from an image even if it is not recognizable by a human. Our solution has been validated against the real GPS location of the coastline during Signate's competition, where it was runner-up among 109 teams across the whole world.
• Abstract（参考訳）: 海岸の継続的監視は、侵食に対する海岸保護戦略の設計において重要な役割を担っている。 雲や日光の影響を避けるため、合成開口レーダーを用いた衛星画像を用いて必要なデータを提供する。 本研究では, 深層学習に基づく手法により, 最先端の手法を用いて, 海岸線の位置を検出できることを示す。 プロセスをデータ読み取り、データ前処理、モデルトレーニング、推論、センスリング、後処理に分割し、各部分の最高のテクニックを説明します。 最後に,人間の認識が得られなくても,海岸線を画像から正確に抽出できる独自の解を提案する。 私たちのソリューションは、Signateのコンペの間、世界中の109チームの中で、海岸線の実際のGPS位置に対して検証されました。

関連論文リスト

• Image and AIS Data Fusion Technique for Maritime Computer Vision Applications [1.482087972733629]
  本研究では,AIS(Automatic Identification System)データと画像に検出された容器を融合させてデータセットを作成する手法を開発した。 提案手法は, 距離と方位を推定することにより, 検出した船舶を対応するAISメッセージに関連付ける。 この技術は、水路交通管理、遭遇検知、監視のためのデータセットを作成するのに有用である。
  論文  参考訳（メタデータ） (2023-12-07T20:54:49Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR Image Retrieval [31.974530072369753]
  サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。 ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-09-29T18:17:56Z)
• MassMIND: Massachusetts Maritime INfrared Dataset [3.5751176069022983]
  本稿では,沿岸海洋環境下で得られた2,900以上のLWIR(Long Wave Infrared)セグメント画像のラベル付きデータセットについて述べる。 画像はインスタンスセグメンテーションを使用してラベル付けされ、空、水、障害物、リビング障害物、ブリッジ、自己、背景の7つのカテゴリに分類される。 我々は,このデータセットを3つのディープラーニングアーキテクチャ(UNet,PSPNet,DeepLabv3)にわたって評価し,その有効性について詳細に分析する。
  論文  参考訳（メタデータ） (2022-09-09T02:54:26Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
  本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。 本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
  論文  参考訳（メタデータ） (2022-07-13T16:40:02Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Guided deep learning by subaperture decomposition: ocean patterns from SAR imagery [36.922471841100176]
  センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。 本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
  論文  参考訳（メタデータ） (2022-04-09T09:49:05Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Automated System for Ship Detection from Medium Resolution Satellite Optical Imagery [3.190574537106449]
  本研究では,ESA Sentinel-2とPlanet Labs Doveの星座から得られた低解像度衛星画像に対する船舶検出パイプラインを提案する。 この光学衛星画像は、合成開口レーダー(SAR)画像に基づく既存のソリューションと比較して、地球上の任意の場所で容易に利用でき、海洋領域では利用できない。
  論文  参考訳（メタデータ） (2021-04-28T15:06:18Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。