論文の概要: Learning a Sensor-invariant Embedding of Satellite Data: A Case Study
for Lake Ice Monitoring
- arxiv url: http://arxiv.org/abs/2107.09092v1
- Date: Mon, 19 Jul 2021 18:11:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 00:52:49.852515
- Title: Learning a Sensor-invariant Embedding of Satellite Data: A Case Study
for Lake Ice Monitoring
- Title（参考訳）: 衛星データのセンサ不変埋め込みの学習:湖氷モニタリングを事例として
- Authors: Manu Tom, Yuchang Jiang, Emmanuel Baltsavias, Konrad Schindler
- Abstract要約: 我々は、ディープニューラルネットワーク内にセンサー不変のジョイント埋め込みを学習する。
我々の応用課題はアルプス湖における湖氷のモニタリングである。
衛星データを融合させることで、湖氷を1.5日間の時間分解能でマッピングする。
- 参考スコア（独自算出の注目度）: 19.72060218456938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fusing satellite imagery acquired with different sensors has been a
long-standing challenge of Earth observation, particularly across different
modalities such as optical and Synthetic Aperture Radar (SAR) images. Here, we
explore the joint analysis of imagery from different sensors in the light of
representation learning: we propose to learn a joint, sensor-invariant
embedding (feature representation) within a deep neural network. Our
application problem is the monitoring of lake ice on Alpine lakes. To reach the
temporal resolution requirement of the Swiss Global Climate Observing System
(GCOS) office, we combine three image sources: Sentinel-1 SAR (S1-SAR), Terra
MODIS and Suomi-NPP VIIRS. The large gaps between the optical and SAR domains
and between the sensor resolutions make this a challenging instance of the
sensor fusion problem. Our approach can be classified as a feature-level fusion
that is learnt in a data-driven manner. The proposed network architecture has
separate encoding branches for each image sensor, which feed into a single
latent embedding. I.e., a common feature representation shared by all inputs,
such that subsequent processing steps deliver comparable output irrespective of
which sort of input image was used. By fusing satellite data, we map lake ice
at a temporal resolution of <1.5 days. The network produces spatially explicit
lake ice maps with pixel-wise accuracies >91.3% (respectively, mIoU scores
>60.7%) and generalises well across different lakes and winters. Moreover, it
sets a new state-of-the-art for determining the important ice-on and ice-off
dates for the target lakes, in many cases meeting the GCOS requirement.
- Abstract（参考訳）: 異なるセンサーで取得した衛星画像の融合は、地球観測の長年の課題であり、特に光学および合成開口レーダ(SAR)画像のような様々なモダリティにまたがっている。
本稿では,表現学習の観点から,異なるセンサからの画像の統合分析について検討する:深層ニューラルネットワーク内で,センサ不変埋め込み(特徴表現)を学習することを提案する。
我々の応用課題はアルプス湖における氷のモニタリングである。
スイスの気候観測システム (GCOS) の時間分解要求を満たすため,Sentinel-1 SAR (S1-SAR)、Terra MODIS、Suomi-NPP VIIRSの3つの画像ソースを組み合わせた。
光とSARの領域とセンサーの解像度の間に大きなギャップがあるため、これはセンサー融合の問題の難しい例である。
我々のアプローチは、データ駆動方式で学習される特徴レベルの融合に分類される。
提案するネットワークアーキテクチャは、画像センサ毎に別々のエンコーディングブランチを持ち、単一の潜在埋め込みにフィードする。
すなわち、すべての入力で共有される共通の特徴表現であり、その後の処理ステップはどの入力画像が使われたかに関わらず、同等の出力を提供する。
衛星データを用いて湖氷の時間分解能は1.5日である。
このネットワークは、ピクセル単位の精度が91.3%(例:mIoUスコアが60.7%)で空間的に明らかな湖氷図を作成し、異なる湖や冬によく一般化している。
さらに、GCOS要件を満たす場合が多いため、目標湖の重要な氷点と氷点の日程を決定するための新たな最先端技術を設定している。
関連論文リスト
- Sea ice detection using concurrent multispectral and synthetic aperture
radar imagery [1.0400484498567675]
本稿では,海氷検出(ViSual_IceD)のためのマルチスペクトル可視画像とSAR画像の同時学習ツールを提案する。
ViSual_IceDは、2つの並列エンコーダを含むことで、古典的なU-Netアーキテクチャの上に構築される畳み込みニューラルネットワーク(CNN)である。
MSIとSAR画像の時空間被覆が増加し続けるにつれて、ViSual_IceDは極域における正確な海氷被覆検出のための新たな機会を提供する。
論文 参考訳（メタデータ） (2024-01-11T16:14:30Z) - DAM-Net: Global Flood Detection from SAR Imagery Using Differential
Attention Metric-Based Vision Transformers [22.885444177106873]
高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。
そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。
DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
論文 参考訳（メタデータ） (2023-06-01T14:12:33Z) - DensePose From WiFi [86.61881052177228]
WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。
本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
論文 参考訳（メタデータ） (2022-12-31T16:48:43Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-12-27T20:56:34Z) - xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture
Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。
夜間または夜間、全天候下で暗黒船の自動検出が可能となった。
xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文 参考訳（メタデータ） (2022-06-02T06:53:45Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Learning Enriched Illuminants for Cross and Single Sensor Color
Constancy [182.4997117953705]
ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。
センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。
実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-03-21T15:45:35Z) - The QXS-SAROPT Dataset for Deep Learning in SAR-Optical Data Fusion [14.45289690639374]
QXS-SAROPTデータセットを公開し、SAR-オプティカルデータ融合におけるディープラーニング研究を促進します。
光学画像からのクロスモーダル情報によって強化されたSAR光画像マッチングとSAR船舶検出の2つの代表的な用途の例を示す。
論文 参考訳（メタデータ） (2021-03-15T10:22:46Z) - Dense Attention Fluid Network for Salient Object Detection in Optical
Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。
GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。
我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文 参考訳（メタデータ） (2020-11-26T06:14:10Z) - Ice Monitoring in Swiss Lakes from Optical Satellites and Webcams using
Machine Learning [16.71718177904522]
多時間衛星画像 公開されているウェブカメラ画像は、湖氷を監視するための有効なデータソースの一つである。
本研究では,スイスのアルプス湖における氷の量を測定するツールとして,機械学習による画像解析について検討する。
我々は,湖面上の各ピクセルを分類し,空間的に明示的な氷被覆図を得るため,湖氷モニタリングを画素単位のセマンティックセマンティックセグメンテーション問題としてモデル化する。
論文 参考訳（メタデータ） (2020-10-27T14:02:00Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z)
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。