Fugu-MT 論文翻訳(概要): DEM Super-Resolution with EfficientNetV2

論文の概要: DEM Super-Resolution with EfficientNetV2

arxiv url: http://arxiv.org/abs/2109.09661v1
Date: Mon, 20 Sep 2021 16:26:58 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:09:03.699907
Title: DEM Super-Resolution with EfficientNetV2
Title（参考訳）: efficientnetv2によるdem超解像
Authors: Bekir Z Demiray, Muhammed Sit, Ibrahim Demir
Abstract要約: デジタル標高モデル(DEM)データセットはそのような例であるが、低解像度版は広く利用でき、高解像度版は少ない。提案モデルでは,DEMの空間分解能を16倍に向上する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Efficient climate change monitoring and modeling rely on high-quality geospatial and environmental datasets. Due to limitations in technical capabilities or resources, the acquisition of high-quality data for many environmental disciplines is costly. Digital Elevation Model (DEM) datasets are such examples whereas their low-resolution versions are widely available, high-resolution ones are scarce. In an effort to rectify this problem, we propose and assess an EfficientNetV2 based model. The proposed model increases the spatial resolution of DEMs up to 16times without additional information.
Abstract（参考訳）: 効率的な気候変動モニタリングとモデリングは、高品質な地理空間および環境データセットに依存している。技術的能力や資源の制限により、多くの環境分野における高品質なデータの取得はコストがかかる。デジタル標高モデル(DEM)データセットはそのような例であるが、低解像度版は広く利用でき、高解像度版は少ない。この問題を是正するために,我々はEfficientNetV2ベースのモデルを提案し,評価する。提案モデルでは,DEMの空間分解能を16倍に向上する。

関連論文リスト

Fine-Tuning and Deploying Large Language Models Over Edges: Issues and Approaches [64.42735183056062]
大規模言語モデル(LLM)は、特殊モデルから多目的基礎モデルへと移行してきた。 LLMは印象的なゼロショット能力を示すが、ローカルデータセットとデプロイメントのための重要なリソースを微調整する必要がある。
論文参考訳（メタデータ） (2024-08-20T09:42:17Z)
Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
論文参考訳（メタデータ） (2024-05-26T10:58:22Z)
Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文参考訳（メタデータ） (2024-02-27T08:47:19Z)
Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
論文参考訳（メタデータ） (2024-02-21T18:25:04Z)
Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。複数のLR気候変数に条件付き拡散確率モデルを用いる。以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文参考訳（メタデータ） (2023-12-12T09:39:52Z)
Recurrent Multi-scale Transformer for High-Resolution Salient Object Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文参考訳（メタデータ） (2023-08-07T17:49:04Z)
HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文参考訳（メタデータ） (2022-03-04T06:37:45Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
AFN: Attentional Feedback Network based 3D Terrain Super-Resolution [5.349223987137843]
低分解能ディジタル標高モデル(LRDEM)の高分解能化を目的とした,完全畳み込みニューラルネットワークに基づく新しい超解像アーキテクチャを提案する。我々は、LRDEMと空中画像の情報を選択的に融合させ、高周波の特徴を増強し、現実的に地形を創出する「注意フィードバックネットワーク(AFN)」と呼ばれる注意ベースのフィードバック機構を用いて、LRDEMの超解像を行う。
論文参考訳（メタデータ） (2020-10-04T16:51:39Z)
Feedback Neural Network based Super-resolution of DEM for generating high fidelity features [4.722870664660785]
低分解能DEMに繰り返し高頻度の詳細を追加することを学習する新しいニューラルネットワークアーキテクチャを提案する。我々のネットワークDSRFBは、4つの異なるデータセットにわたるRMSEの0.59から1.27を達成する。
論文参考訳（メタデータ） (2020-07-03T21:10:19Z)
D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。 DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
論文参考訳（メタデータ） (2020-04-09T19:57:49Z)

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。