Fugu-MT 論文翻訳(概要): Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal

論文の概要: Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal

arxiv url: http://arxiv.org/abs/2106.12226v1
Date: Wed, 23 Jun 2021 08:15:01 GMT
ステータス: 処理完了
システム内更新日: 2021-06-24 15:27:22.929533
Title: Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal
Title（参考訳）: 雲除去のためのセンチネル-1とセンチネル-2時空間データ融合
Authors: Alessandro Sebastianelli, Artur Nowakowski, Erika Puglisi, Maria Pia Del Rosso, Jamila Mifdal, Fiora Pirri, Pierre Philippe Mathieu and Silvia Liberata Ullo
Abstract要約: 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。
参考スコア（独自算出の注目度）: 51.9654625216266
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The abundance of clouds, located both spatially and temporally, often makes remote sensing applications with optical images difficult or even impossible. In this manuscript, a novel method for clouds-corrupted optical image restoration has been presented and developed, based on a joint data fusion paradigm, where three deep neural networks have been combined in order to fuse spatio-temporal features extracted from Sentinel-1 and Sentinel-2 time-series of data. It is worth highlighting that both the code and the dataset have been implemented from scratch and made available to interested research for further analysis and investigation.
Abstract（参考訳）: 空間的にも時間的にも多数の雲は、光学画像を用いたリモートセンシングアプリケーションを困難または不可能にすることがしばしばある。本研究では,sentinel-1とsentinel-2の時系列データから抽出した時空間的特徴を融合するために,3つの深層ニューラルネットワークを結合した合同データ融合パラダイムに基づいて,雲分解光画像復元法を提案する。コードとデータセットの両方が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に利用可能であることは注目に値する。

関連論文リスト

ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
論文参考訳（メタデータ） (2024-04-10T08:02:17Z)
HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文参考訳（メタデータ） (2024-03-18T14:18:08Z)
DF4LCZ: A SAM-Empowered Data Fusion Framework for Scene-Level Local Climate Zone Classification [2.088672652658465]
LCZ分類のための新しいDual-stream Fusionフレームワーク(DF4LCZ)を提案する。このフレームワークには、Segment Anything Model (SAM) によって強化された Graph Convolutional Network (GCN) モジュールが含まれており、Googleイメージからの機能抽出を強化する。提案するDF4LCZの有効性を検証するため,LCZ分類に特化して設計されたマルチソースリモートセンシング画像データセットを用いて実験を行った。
論文参考訳（メタデータ） (2024-03-14T13:15:46Z)
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)
Voxel or Pillar: Exploring Efficient Point Cloud Representation for 3D Object Detection [49.324070632356296]
我々は3次元および2次元のスパース畳み込みにより点雲をボクセルと柱の特徴に符号化するスパース・ボクセル・ピラーエンコーダを開発した。我々の効率的で完全なスパース法は、密度検出器とスパース検出器の両方にシームレスに統合できる。
論文参考訳（メタデータ） (2023-04-06T05:00:58Z)
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)
Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T07:53:28Z)
A lightweight deep learning based cloud detection method for Sentinel-2A imagery fusing multi-scale spectral and spatial features [17.914305435378783]
マルチスケールスペクトル・空間特性(CDFM3SF)を融合したクラウド検出のための軽量ネットワークを提案する。 CDFM3SFは、従来のクラウド検出方法と最先端のディープラーニングベースの手法を精度と速度の両方で上回る。
論文参考訳（メタデータ） (2021-04-29T09:36:42Z)
Cross-Modality 3D Object Detection [63.29935886648709]
本稿では,3次元物体検出のための新しい2段階多モード融合ネットワークを提案する。アーキテクチャ全体が2段階の融合を促進する。 KITTIデータセットを用いた実験により,提案したマルチステージ融合により,ネットワークがより良い表現を学習できることが示唆された。
論文参考訳（メタデータ） (2020-08-16T11:01:20Z)
Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
論文参考訳（メタデータ） (2020-07-29T22:52:28Z)

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。