Fugu-MT 論文翻訳(概要): Unsupervised Super-Resolution of Satellite Imagery for High Fidelity Material Label Transfer

論文の概要: Unsupervised Super-Resolution of Satellite Imagery for High Fidelity Material Label Transfer

arxiv url: http://arxiv.org/abs/2105.07322v1
Date: Sun, 16 May 2021 00:57:43 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 14:56:43.150053
Title: Unsupervised Super-Resolution of Satellite Imagery for High Fidelity Material Label Transfer
Title（参考訳）: 高忠実性材料ラベル転送のための衛星画像の教師なし超解像
Authors: Arthita Ghosh, Max Ehrlich, Larry Davis, Rama Chellappa
Abstract要約: 逆学習を用いた教師なし領域適応型アプローチを提案する。我々は,少量の高解像度データ(ソースドメイン)から情報を抽出し,それを用いて低解像度画像(ターゲットドメイン)の超解像化を目指す。
参考スコア（独自算出の注目度）: 78.24493844353258
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Urban material recognition in remote sensing imagery is a highly relevant, yet extremely challenging problem due to the difficulty of obtaining human annotations, especially on low resolution satellite images. To this end, we propose an unsupervised domain adaptation based approach using adversarial learning. We aim to harvest information from smaller quantities of high resolution data (source domain) and utilize the same to super-resolve low resolution imagery (target domain). This can potentially aid in semantic as well as material label transfer from a richly annotated source to a target domain.
Abstract（参考訳）: リモートセンシング画像における都市物質認識は、特に低解像度の衛星画像において、人間のアノテーションを得るのが困難であるため、非常に重要な問題である。そこで本研究では,逆学習を用いた教師なしドメイン適応型アプローチを提案する。我々は,少量の高解像度データ(ソースドメイン)から情報を抽出し,それを用いて低解像度画像(ターゲットドメイン)を超解くことを目的とする。これはセマンティックや、リッチな注釈付きソースからターゲットドメインへのマテリアルラベルの転送に役立つ可能性がある。

関連論文リスト

Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文参考訳（メタデータ） (2024-05-22T16:07:05Z)
Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
論文参考訳（メタデータ） (2023-04-06T08:19:03Z)
Handling Image and Label Resolution Mismatch in Remote Sensing [10.009103959118931]
オーバヘッド画像とグラウンドトルースラベルソースの分解ミスマッチの処理方法を示す。本稿では,低解像度ラベルを用いて教師される手法を提案する。本手法は, 領域集約, 逆学習, 自己教師付き事前学習を取り入れ, 詳細な教師付き予測を生成する。
論文参考訳（メタデータ） (2022-11-28T21:56:07Z)
Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery [0.0]
最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
論文参考訳（メタデータ） (2022-09-06T15:16:35Z)
Unsupervised Remote Sensing Super-Resolution via Migration Image Prior [12.728430583409997]
低解像度・高分解能の画像ペアを使わずに超解像タスクを実現する新しい非監視学習フレームワーク「MIP」を提案する。本論文では,MIPが定量的および定性的に最先端の手法よりも有意な改善を達成できることを示した。
論文参考訳（メタデータ） (2021-05-08T03:29:35Z)
Semantic Layout Manipulation with High-Resolution Sparse Attention [106.59650698907953]
本稿では,意味ラベルマップを編集して入力画像を操作するセマンティックイメージレイアウト操作の課題に対処する。このタスクの中核的な問題は、視覚的にイメージを現実的にしながら、入力画像から新しいセマンティックレイアウトに視覚的な詳細を転送する方法です。 512×512の解像度で視覚的詳細を新しいレイアウトに効果的に転送する高分解能スパースアテンションモジュールを提案する。
論文参考訳（メタデータ） (2020-12-14T06:50:43Z)
Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文参考訳（メタデータ） (2020-08-03T13:55:39Z)
Unsupervised Transfer Learning with Self-Supervised Remedy [60.315835711438936]
手動ラベルのない新しいドメインにディープネットワークを一般化することは、ディープラーニングにとって難しい。事前学習された知識は、学習されたドメインや新しいドメインについて強い仮定をしなければ、うまく伝達しない。本研究は,ラベル付き関連ドメインからの知識伝達により,新規ドメインにおける未ラベル対象データの識別潜在空間を学習することを目的とする。
論文参考訳（メタデータ） (2020-06-08T16:42:17Z)
Unsupervised Enhancement of Real-World Depth Images Using Tri-Cycle GAN [8.477619837043214]
低コストセンサで取得した高分解能で現実世界の深度画像の高精細化を目指す。低品質センサドメインと高品質センサドメインとの教師なしドメイン翻訳として,クリーンな地上構造が欠如している場合に,その課題にアプローチする。我々は,この課題に高度に熟練したサイクロンGANを用いているが,この場合,性能が良くない。
論文参考訳（メタデータ） (2020-01-11T18:19:09Z)

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。