論文の概要: Seeing Through Clouds in Satellite Images
- arxiv url: http://arxiv.org/abs/2106.08408v1
- Date: Tue, 15 Jun 2021 20:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:25:59.918522
- Title: Seeing Through Clouds in Satellite Images
- Title(参考訳): 衛星画像における雲の観察
- Authors: Mingmin Zhao, Peder A. Olsen, Ranveer Chandra
- Abstract要約: 本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。
我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における隠蔽領域の再構成を支援する。
- 参考スコア(独自算出の注目度): 14.84582204034532
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a neural-network-based solution to recover pixels
occluded by clouds in satellite images. We leverage radio frequency (RF)
signals in the ultra/super-high frequency band that penetrate clouds to help
reconstruct the occluded regions in multispectral images. We introduce the
first multi-modal multi-temporal cloud removal model. Our model uses publicly
available satellite observations and produces daily cloud-free images.
Experimental results show that our system significantly outperforms baselines
by 8dB in PSNR. We also demonstrate use cases of our system in digital
agriculture, flood monitoring, and wildfire detection. We will release the
processed dataset to facilitate future research.
- Abstract(参考訳): 本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。
我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における閉塞領域の再構成を支援する。
マルチモーダル型マルチテンポラルクラウド除去モデルについて紹介する。
我々のモデルは、公開衛星観測と毎日の雲のない画像を生成する。
実験の結果,PSNRではベースラインが8dBより有意に優れていた。
また, デジタル農業, 洪水モニタリング, および山火事検出におけるシステムの利用例を示した。
今後の研究を促進するために、処理されたデータセットをリリースします。
関連論文リスト
- Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳(メタデータ) (2023-08-31T16:26:17Z) - U-TILISE: A Sequence-to-sequence Model for Cloud Removal in Optical
Satellite Time Series [22.39321609253005]
我々は,クラウドにマッピングされた入力シーケンスを,クラウドのない出力シーケンスにマッピングできるニューラルモデルを開発した。
本研究では,欧州全域で取得した衛星センチネル2時系列のデータセットを用いて,提案モデルの有効性を実験的に評価した。
標準ベースラインと比較して、PSNRは以前見られた場所で1.8dB、見えない場所では1.3dB増加する。
論文 参考訳(メタデータ) (2023-05-22T17:37:10Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - 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) - MM811 Project Report: Cloud Detection and Removal in Satellite Images [0.0]
我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。
従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。
このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
論文 参考訳(メタデータ) (2022-12-21T21:14:35Z) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳(メタデータ) (2022-10-27T01:25:57Z) - SEN12MS-CR-TS: A Remote Sensing Data Set for Multi-modal Multi-temporal
Cloud Removal [15.459106705735376]
人工衛星によって収集された光学観測の約半数は、ヘイズや雲の影響を受けている。
本研究は、SEN12MS-CR-TSによる光衛星画像再構成と雲除去の課題に対処する。
本稿では,SEN12MS-CR-TSの利点とユースケースを明らかにする2つのモデルを提案する。
論文 参考訳(メタデータ) (2022-01-24T11:38:49Z) - NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。
提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
論文 参考訳(メタデータ) (2021-12-03T07:33:47Z) - Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。
Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
論文 参考訳(メタデータ) (2021-06-23T08:15:01Z) - 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) - A deep network approach to multitemporal cloud detection [15.39911641413792]
Meteosat Second Generation (MSG) 衛星に搭載された Seviri Imager によって取得された画像時系列における雲を検出するための時間記憶付きディープラーニングモデルを提案する。
モデルは、ピクセルレベルのクラウドマップと関連する信頼性を提供し、繰り返しニューラルネットワーク構造を介して時間の情報を伝達します。
論文 参考訳(メタデータ) (2020-12-09T08:58:36Z)
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。