論文の概要: Improving Building Segmentation for Off-Nadir Satellite Imagery
- arxiv url: http://arxiv.org/abs/2109.03961v1
- Date: Wed, 8 Sep 2021 22:55:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:16:10.766508
- Title: Improving Building Segmentation for Off-Nadir Satellite Imagery
- Title（参考訳）: オフナディル衛星画像における建物セグメンテーションの改善
- Authors: Hanxiang Hao, Sriram Baireddy, Kevin LaTourette, Latisha Konz, Moses
Chan, Mary L. Comer, Edward J. Delp
- Abstract要約: 建築セグメンテーションは衛星画像解析とシーン理解にとって重要な課題である。
本研究では,広範囲なオフナダーアングルから撮影した衛星画像に対して,正確なビルディングセグメンテーションを実現する手法を提案する。
- 参考スコア（独自算出の注目度）: 16.747041713724066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic building segmentation is an important task for satellite imagery
analysis and scene understanding. Most existing segmentation methods focus on
the case where the images are taken from directly overhead (i.e., low
off-nadir/viewing angle). These methods often fail to provide accurate results
on satellite images with larger off-nadir angles due to the higher noise level
and lower spatial resolution. In this paper, we propose a method that is able
to provide accurate building segmentation for satellite imagery captured from a
large range of off-nadir angles. Based on Bayesian deep learning, we explicitly
design our method to learn the data noise via aleatoric and epistemic
uncertainty modeling. Satellite image metadata (e.g., off-nadir angle and
ground sample distance) is also used in our model to further improve the
result. We show that with uncertainty modeling and metadata injection, our
method achieves better performance than the baseline method, especially for
noisy images taken from large off-nadir angles.
- Abstract（参考訳）: 自動建物分割は衛星画像解析とシーン理解にとって重要な課題である。
既存のセグメンテーション手法のほとんどは、画像が直接オーバーヘッド(すなわち、オフナディル/ビュー角が低い)から取られる場合に焦点を当てている。
これらの手法は、ノイズレベルが高く、空間解像度が低いため、より大きい外方角の衛星画像に対して正確な結果を与えることができないことが多い。
本稿では,広範囲のオフナディア角度から撮影された衛星画像に対して,正確な建物セグメンテーションを実現する手法を提案する。
ベイジアンディープラーニングに基づいて,アレータティックおよびエピステマティック不確実性モデリングを用いてデータノイズを学習する手法を設計する。
衛星画像メタデータ(例えば、オフナディル角度や地上サンプル距離)も、このモデルでさらに改善するために使用しています。
提案手法は,不確実性モデリングとメタデータ注入により,特に大きなオフナディア角から得られるノイズの多い画像に対して,ベースライン法よりも優れた性能が得られることを示す。
関連論文リスト
- SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - A ground-based dataset and a diffusion model for on-orbit low-light image enhancement [7.815138548685792]
軌道上低光画像強調(LLIE)のためのバイドゥナビゲーション衛星のデータセットを提案する。
衝突することなく異なる方向と距離のポーズを均一にサンプリングするために、衝突のない作業空間と階層化サンプリングのポーズを提案する。
余剰露光や細部をぼかすことなく画像のコントラストを高めるために,構造と暗黒領域を強調するために,融合した注意を設計する。
論文 参考訳（メタデータ） (2023-06-25T12:15:44Z) - 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) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2022-04-10T19:16:58Z) - Wide-Depth-Range 6D Object Pose Estimation in Space [124.94794113264194]
宇宙での6Dポーズ推定は、地上環境では一般的に遭遇しないユニークな課題を引き起こします。
最も顕著な違いの1つは、大気の散乱の欠如であり、物体を遠くから見えるようにします。
本稿では,単一段階の階層型エンドツーエンドトレーニングネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-01T08:39:26Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。