論文の概要: As if by magic: self-supervised training of deep despeckling networks with MERLIN

• arxiv url: http://arxiv.org/abs/2110.13148v1
• Date: Mon, 25 Oct 2021 16:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 15:44:40.307204
• Title: As if by magic: self-supervised training of deep despeckling networks with MERLIN
• Title（参考訳）: まるで魔法のように:merlinによるディープデスペックリングネットワークの自己監督訓練
• Authors: Emanuele Dalsasso, Lo\"ic Denis, Florence Tupin
• Abstract要約: MERLINと呼ばれる一面複雑なSAR画像の現実部分と虚部分の分離に基づく自己監督戦略 MERLINで訓練されたネットワークは、所定のセンサと撮像モードに特有のSAR伝達関数による空間的相関を考慮に入れている。
• 参考スコア（独自算出の注目度）: 3.94041326670251
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speckle fluctuations seriously limit the interpretability of synthetic aperture radar (SAR) images. Speckle reduction has thus been the subject of numerous works spanning at least four decades. Techniques based on deep neural networks have recently achieved a new level of performance in terms of SAR image restoration quality. Beyond the design of suitable network architectures or the selection of adequate loss functions, the construction of training sets is of uttermost importance. So far, most approaches have considered a supervised training strategy: the networks are trained to produce outputs as close as possible to speckle-free reference images. Speckle-free images are generally not available, which requires resorting to natural or optical images or the selection of stable areas in long time series to circumvent the lack of ground truth. Self-supervision, on the other hand, avoids the use of speckle-free images. We introduce a self-supervised strategy based on the separation of the real and imaginary parts of single-look complex SAR images, called MERLIN (coMplex sElf-supeRvised despeckLINg), and show that it offers a straightforward way to train all kinds of deep despeckling networks. Networks trained with MERLIN take into account the spatial correlations due to the SAR transfer function specific to a given sensor and imaging mode. By requiring only a single image, and possibly exploiting large archives, MERLIN opens the door to hassle-free as well as large-scale training of despeckling networks. The code of the trained models is made freely available at https://gitlab.telecom-paris.fr/RING/MERLIN.
• Abstract（参考訳）: スペックル変動は合成開口レーダ(SAR)画像の解釈可能性を大幅に制限する。 このため、スペックル削減は少なくとも40年間にわたる数多くの作品の主題となっている。 ディープニューラルネットワークに基づく技術は、最近、SAR画像復元の品質の観点から、新たなレベルのパフォーマンスを達成した。 適切なネットワークアーキテクチャの設計や適切な損失関数の選択を超えて、トレーニングセットの構築は極めて重要である。 ネットワークは、スペックルフリーの参照画像に可能な限り近い出力を生成するように訓練されています。 スペックルのない画像は一般には入手できないが、地上の真実の欠如を回避するために、自然または光学的な画像や、長期にわたって安定した領域を選択する必要がある。 一方、セルフスーパービジョンはスペックルフリーの画像の使用を避ける。 本研究では,複合型自己教師付きデスペックリング(merlin:complex self-supervised despeckling)と呼ばれる,単眼の複雑なsar画像の現実的部分と想像上の部分の分離に基づく自己教師あり戦略を導入する。 MERLINで訓練されたネットワークは、所定のセンサと撮像モードに特有のSAR転送関数による空間的相関を考慮に入れている。 単一の画像しか必要とせず、おそらく大規模なアーカイブを活用すれば、MERLINはハッシュフリーの扉を開き、大規模な非特定ネットワークの訓練を行う。 トレーニングされたモデルのコードはhttps://gitlab.telecom-paris.fr/RING/MERLINで無償公開されている。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Multi-temporal speckle reduction with self-supervised deep neural networks [2.9979894869734927]
  最新の技術は、様々な構造や独特のテクスチャをSAR画像に復元するために、ディープニューラルネットワークに依存している。 スペックルフィルタは一般的に合成開口レーダ(SAR)画像の解析に必須である。 我々は、MERLINと呼ばれるシングルルック複雑なSAR画像に対する、近年の自己教師型トレーニング戦略を、マルチテンポラルフィルタリングの場合に拡張する。
  論文  参考訳（メタデータ） (2022-07-22T14:08:22Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images [0.21079694661943604]
  本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。 光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。 空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2022-04-01T13:31:23Z)
• Transformer-based SAR Image Despeckling [53.99620005035804]
  本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。 提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。 実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2022-01-23T20:09:01Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
  多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。 非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。 これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。 広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
  論文  参考訳（メタデータ） (2021-05-10T04:57:32Z)
• Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
  切り離しはシーン分析アルゴリズムの 重要な予備段階です ディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。 本稿では,自己教師型ベイズ解法を提案する。
  論文  参考訳（メタデータ） (2020-07-04T11:38:48Z)
• SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy [8.097773654147105]
  畳み込みニューラルネットワーク(CNN)は、最近、SAR画像復元の最先端のパフォーマンスに達することが示されている。 CNNトレーニングには、多くのスペックルフリー/スペックル故障した画像のペアという、優れたトレーニングデータが必要です。 本稿では,実施したいスペックル除去作業に応じて,採用可能なさまざまな戦略を解析する。
  論文  参考訳（メタデータ） (2020-06-28T09:47:31Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)
• Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
  ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。 本稿では,自己教師型ベイズ解法を提案する。 提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
  論文  参考訳（メタデータ） (2020-01-15T12:21:12Z)

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。