論文の概要: A SAR speckle filter based on Residual Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2104.09350v1
• Date: Mon, 19 Apr 2021 14:43:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:38:57.247934
• Title: A SAR speckle filter based on Residual Convolutional Neural Networks
• Title（参考訳）: 残差畳み込みニューラルネットワークに基づくSARスペックルフィルタ
• Authors: Alessandro Sebastianelli, Maria Pia Del Rosso, Silvia Liberata Ullo
• Abstract要約: 本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Machine Learning (ML) algorithms have become widespread in all fields of Remote Sensing (RS) and Earth Observation (EO). This has allowed a rapid development of new procedures to solve problems affecting these sectors. In this context, the authors of this work aim to present a novel method for filtering the speckle noise from Sentinel-1 data by applying Deep Learning (DL) algorithms, based on Convolutional Neural Networks (CNNs). The obtained results, if compared with the state of the art, show a clear improvement in terms of Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index ({SSIM}), by proving the effectiveness of the proposed architecture. Moreover, the generated open-source code and dataset have been made available for further developments and investigation by interested researchers.
• Abstract（参考訳）: 近年、機械学習(ML)アルゴリズムは、リモートセンシング(RS)と地球観測(EO)のあらゆる分野に広まっている。 これにより、これらのセクターに影響を及ぼす問題を解決する新しい手順を迅速に開発することができた。 本研究では,畳み込みニューラルネットワーク(CNN)に基づく深層学習(DL)アルゴリズムを適用し,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 その結果, 提案手法の有効性を実証することにより, ピーク信号対雑音比 (psnr) と構造類似度指数 ({ssim}) で明らかに改善した。 さらに、生成されたオープンソースコードとデータセットは、興味のある研究者によるさらなる開発と調査のために利用可能になっている。

関連論文リスト

• Output Range Analysis for Deep Neural Networks based on Simulated Annealing Processes [0.0]
  本稿では,Deep Neural Networks (DNN) のレンジ推定手法を提案する。 提案手法はDNNにおける局所的幾何学的情報の欠如と非線形性に対処し,多目的性を実現する。 制約的な仮定を避けるための単純でフレンドリーなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T22:47:40Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Learning with Multigraph Convolutional Filters [153.20329791008095]
  MSPモデルに基づいて情報を処理する階層構造として多グラフ畳み込みニューラルネットワーク(MGNN)を導入する。 また,MGNNにおけるフィルタ係数のトラクタブルな計算手法と,レイヤ間で転送される情報の次元性を低減するための低コストな手法を開発した。
  論文  参考訳（メタデータ） (2022-10-28T17:00:50Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Evolving Deep Convolutional Neural Networks for Hyperspectral Image Denoising [6.869192200282213]
  本稿では,HSIを効果的に識別する最適な畳み込みニューラルネットワーク(CNN)を自動構築する新しいアルゴリズムを提案する。 提案アルゴリズムの実験は、最先端の競合相手とよく設計され比較されている。
  論文  参考訳（メタデータ） (2020-08-15T03:04:11Z)
• Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms [3.0448872422956432]
  スペックル削減アルゴリズムのトレーニングのための合成データを生成する標準的な方法を提案する。 この領域の研究を進めるためのユースケースを実証する。
  論文  参考訳（メタデータ） (2020-04-23T08:27:45Z)
• Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm [1.933681537640272]
  我々は, 畳み込みニューラルネットワークの複雑化によるSARの切り離し効果を生かした。 より深いネットワークは、シミュレートされた画像と実際の画像の両方でより一般化される。
  論文  参考訳（メタデータ） (2020-04-17T17:02:01Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• InSAR Phase Denoising: A Review of Current Technologies and Future Directions [9.475024122649288]
  インターフェロメトリ合成開口レーダ(InSAR)は情報取得の強化によるリモートセンシングにおいて強力なツールである。 干渉電図の位相分解は、トポグラフィーマッピングと変形モニタリングの必須ステップである。 本稿では,InSAR位相分解法の概要を概説し,確立されたアルゴリズムと新興アルゴリズムを4つの主要なカテゴリに分類する。
  論文  参考訳（メタデータ） (2020-01-03T09:36:36Z)

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。