論文の概要: Weakly-Supervised Cloud Detection with Fixed-Point GANs

• arxiv url: http://arxiv.org/abs/2111.11879v1
• Date: Tue, 23 Nov 2021 13:46:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 20:54:04.464320
• Title: Weakly-Supervised Cloud Detection with Fixed-Point GANs
• Title（参考訳）: 固定点GANを用いた弱スーパービジョンクラウド検出
• Authors: Joachim Nyborg, Ira Assent
• Abstract要約: 衛星画像中の雲を検出するための弱教師付きアプローチを提案する。 我々は、透明画像と曇り画像の間の固定点変換を学習するため、翻訳中に影響を受けるのは雲のみである。 本研究では,Landsat-8 Biomeクラウド検出データセットに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 6.675491069288519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of clouds in satellite images is an essential preprocessing task for big data in remote sensing. Convolutional neural networks (CNNs) have greatly advanced the state-of-the-art in the detection of clouds in satellite images, but existing CNN-based methods are costly as they require large amounts of training images with expensive pixel-level cloud labels. To alleviate this cost, we propose Fixed-Point GAN for Cloud Detection (FCD), a weakly-supervised approach. Training with only image-level labels, we learn fixed-point translation between clear and cloudy images, so only clouds are affected during translation. Doing so enables our approach to predict pixel-level cloud labels by translating satellite images to clear ones and setting a threshold to the difference between the two images. Moreover, we propose FCD+, where we exploit the label-noise robustness of CNNs to refine the prediction of FCD, leading to further improvements. We demonstrate the effectiveness of our approach on the Landsat-8 Biome cloud detection dataset, where we obtain performance close to existing fully-supervised methods that train with expensive pixel-level labels. By fine-tuning our FCD+ with just 1% of the available pixel-level labels, we match the performance of fully-supervised methods.
• Abstract（参考訳）: 衛星画像中の雲の検出は、リモートセンシングにおけるビッグデータの重要な前処理課題である。 畳み込みニューラルネットワーク(cnns)は、衛星画像中の雲の検出における最先端の進歩を遂げてきたが、既存のcnnベースの手法は、高価なピクセルレベルのクラウドラベルを持つ大量のトレーニング画像を必要とするため、コストがかかる。 このコストを緩和するため,我々はクラウド検出(fcd)のための固定点ganを提案する。 画像レベルのラベルのみを用いたトレーニングでは,鮮明な画像と曇り画像の固定点変換が学習される。 これにより,衛星画像のクリア化と2つの画像の違いに対するしきい値の設定により,ピクセルレベルの雲ラベルの予測が可能となる。 さらに,CNNのラベルノイズ頑健性を利用してFCDの予測を洗練し,さらなる改善をもたらすFCD+を提案する。 提案手法の有効性をLandsat-8 Biomeクラウド検出データセットに示すとともに,高価なピクセルレベルのラベルをトレーニングする既存の完全教師付き手法に近い性能を得る。 利用可能なピクセルレベルのラベルのわずか1%でFCD+を微調整することにより、フル教師付き手法の性能にマッチする。

関連論文リスト

• CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
  ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。 本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
  論文  参考訳（メタデータ） (2023-11-29T09:31:31Z)
• PRED: Pre-training via Semantic Rendering on LiDAR Point Clouds [18.840000859663153]
  本稿では,屋外点雲のための画像支援事前学習フレームワークPreDを提案する。 我々のフレームワークの主な構成要素は、Birds-Eye-View (BEV) 機能マップ条件付きセマンティックレンダリングである。 我々は、高マスキング比のポイントワイドマスクを組み込むことにより、モデルの性能をさらに向上させる。
  論文  参考訳（メタデータ） (2023-11-08T07:26:09Z)
• Detecting Cloud Presence in Satellite Images Using the RGB-based CLIP Vision-Language Model [0.0]
  この研究は、雲によって影響を受ける衛星画像を特定するために、事前訓練されたCLIPビジョン言語モデルの能力を探求する。 このモデルを用いて雲の存在検知を行うためのいくつかの手法を提案し,評価した。 以上の結果から,CLIPモデルで学習した表現は,雲を含む衛星画像処理作業に有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-01T13:36:46Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
  本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。 我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
  論文  参考訳（メタデータ） (2022-12-08T06:27:11Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Open-Vocabulary 3D Detection via Image-level Class and Debiased Cross-modal Contrastive Learning [62.18197846270103]
  現在の点雲検出法では,実世界の開語彙を検出するのが困難である。 画像レベルのクラス管理を用いたオープン語彙3DDETectorであるOV-3DETICを提案する。
  論文  参考訳（メタデータ） (2022-07-05T12:13:52Z)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
  アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。 マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。 我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
  論文  参考訳（メタデータ） (2020-07-29T22:52:28Z)
• Multi-scale Cloud Detection in Remote Sensing Images using a Dual Convolutional Neural Network [4.812718493682455]
  CNNは、リモートセンシング画像のピクセルレベルの分類において、最先端の技術を進歩させた。 アンサンプとフル解像度の画像を逐次処理する2つのCNNモデルコンポーネントのアーキテクチャを提案する。 パッチによるCNNベースラインの画素精度は16%向上した。
  論文  参考訳（メタデータ） (2020-06-01T10:27:42Z)
• Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds [67.0904905172941]
  本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。 私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
  論文  参考訳（メタデータ） (2020-03-29T14:13:29Z)

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。