論文の概要: Ill-posed Surface Emissivity Retrieval from Multi-Geometry
HyperspectralImages using a Hybrid Deep Neural Network
- arxiv url: http://arxiv.org/abs/2107.04631v1
- Date: Fri, 9 Jul 2021 18:59:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 13:01:53.008341
- Title: Ill-posed Surface Emissivity Retrieval from Multi-Geometry
HyperspectralImages using a Hybrid Deep Neural Network
- Title（参考訳）: ハイブリッドディープニューラルネットワークを用いたマルチジオメトリハイパースペクトル画像からのIll-posed Surface Emissivity検索
- Authors: Fangcao Xu, Jian Suna, Guido Cervonea, Mark Salvador
- Abstract要約: 大気補正はリモートセンシングの基本的な課題である。
マルチスキャンハイパースペクトルデータを用いた自動大気補正のために,幾何依存型ハイブリッドニューラルネットワークを提案する。
その結果,提案ネットワークは,29の異なる物質に対して0.02以下の平均絶対誤差 (MAE) で大気特性を正確に評価し,目標放射率スペクトルを推定する能力を有することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric correction is a fundamental task in remote sensing because
observations are taken either of the atmosphere or looking through the
atmosphere. Atmospheric correction errors can significantly alter the spectral
signature of the observations, and lead to invalid classifications or target
detection. This is even more crucial when working with hyperspectral data,
where a precise measurement of spectral properties is required.
State-of-the-art physics-based atmospheric correction approaches require
extensive prior knowledge about sensor characteristics, collection geometry,
and environmental characteristics of the scene being collected. These
approaches are computationally expensive, prone to inaccuracy due to lack of
sufficient environmental and collection information, and often impossible for
real-time applications. In this paper, a geometry-dependent hybrid neural
network is proposed for automatic atmospheric correction using multi-scan
hyperspectral data collected from different geometries. The proposed network
can characterize the atmosphere without any additional meteorological data. A
grid-search method is also proposed to solve the temperature emissivity
separation problem. Results show that the proposed network has the capacity to
accurately characterize the atmosphere and estimate target emissivity spectra
with a Mean Absolute Error (MAE) under 0.02 for 29 different materials. This
solution can lead to accurate atmospheric correction to improve target
detection for real time applications.
- Abstract（参考訳）: 大気補正はリモートセンシングの基本的なタスクであり、観測は大気のどちらかで行われるか、大気を通して観測される。
大気補正誤差は観測のスペクトルシグネチャを著しく変化させ、不正な分類やターゲット検出につながる可能性がある。
これは、スペクトル特性の正確な測定が必要な超スペクトルデータを扱う場合にさらに重要である。
最先端の物理学に基づく大気補正アプローチでは、センサ特性、収集形状、収集されるシーンの環境特性に関する幅広い事前知識が必要である。
これらのアプローチは計算コストが高く、十分な環境情報や収集情報の欠如により不正確になりがちであり、しばしばリアルタイムアプリケーションでは不可能である。
本稿では,異なる測地から収集したマルチスキャンハイパースペクトルデータを用いた自動大気補正のための幾何依存型ハイブリッドニューラルネットワークを提案する。
提案したネットワークは、追加の気象データなしで大気を特徴づけることができる。
温度放射率分離問題の解法としてグリッド探索法を提案する。
その結果,提案ネットワークは,29種類の材料に対して0.02未満の絶対誤差(mae)で,大気を正確に特徴付け,目標放射率スペクトルを推定できることがわかった。
このソリューションは、リアルタイムアプリケーションに対する目標検出を改善するために、正確な大気補正につながる可能性がある。
関連論文リスト
- An Atmospheric Correction Integrated LULC Segmentation Model for High-Resolution Satellite Imagery [0.0]
本研究では、大気の反射率と透過率を推定するために、ルックアップテーブルに基づく放射移動シミュレーションを用いる。
その後、修正された表面反射データは、教師付きおよび半教師付きセグメンテーションモデルで使用された。
論文 参考訳（メタデータ） (2024-09-09T10:47:39Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Effect of Fog Particle Size Distribution on 3D Object Detection Under Adverse Weather Conditions [3.9908045942106165]
大気中の霧の存在は、システム全体の性能を著しく低下させる。
悪天候下における3次元物体検出における霧粒径分布の役割を解析した。
論文 参考訳（メタデータ） (2024-08-02T08:06:12Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Towards Spatial Equilibrium Object Detection [88.9747319572368]
本稿では,現代物体検出器の空間的不平衡問題について考察する。
本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。
これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
論文 参考訳（メタデータ） (2023-01-14T17:33:26Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Object recognition in atmospheric turbulence scenes [2.657505380055164]
乱流環境におけるオブジェクトの型を検知・分類するための歪み特徴を学習する新しいフレームワークを提案する。
具体的には、変形可能な畳み込みを利用して空間変位を処理する。
提案手法は平均精度(mAP)が30%を超えるベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-25T20:21:25Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - A deep mixture density network for outlier-corrected interpolation of
crowd-sourced weather data [3.1542695050861544]
本稿では,自動検出による環境変数のベイズ時間モデリングのための深層学習手法を提案する。
例を挙げると、1900年頃のイギリス諸島の民間の気象観測所と非公式の気象観測所のアーカイブである気象観測サイト(Met Office's Weather Observation Website)のデータを用いています。
論文 参考訳（メタデータ） (2022-01-25T18:54:59Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳（メタデータ） (2021-03-22T18:06:58Z)
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。