Fugu-MT 論文翻訳(概要): Uncertainty, Edge, and Reverse-Attention Guided Generative Adversarial Network for Automatic Building Detection in Remotely Sensed Images

論文の概要: Uncertainty, Edge, and Reverse-Attention Guided Generative Adversarial Network for Automatic Building Detection in Remotely Sensed Images

arxiv url: http://arxiv.org/abs/2112.05335v1
Date: Fri, 10 Dec 2021 04:45:24 GMT
ステータス: 処理完了
システム内更新日: 2021-12-13 14:07:42.605369
Title: Uncertainty, Edge, and Reverse-Attention Guided Generative Adversarial Network for Automatic Building Detection in Remotely Sensed Images
Title（参考訳）: リモートセンシング画像の自動建物検出のための不確かさ・エッジ・逆アテンション誘導ジェネレータネットワーク
Authors: Somrita Chattopadhyay and Avinash C. Kak
Abstract要約: 本稿では,不確実性注意ユニットと改良モジュールをジェネレータに組み込んだ生成逆ネットワークベースセグメンテーションフレームワークを提案する。改良モジュールはエッジとリバースアテンションユニットで構成されており、予測された建物マップを洗練するために設計されている。 2021年12月4日現在、DeepGlobeの公共のリーダーボードで第2位にランクインしている。
参考スコア（独自算出の注目度）: 1.8275108630751837
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite recent advances in deep-learning based semantic segmentation, automatic building detection from remotely sensed imagery is still a challenging problem owing to large variability in the appearance of buildings across the globe. The errors occur mostly around the boundaries of the building footprints, in shadow areas, and when detecting buildings whose exterior surfaces have reflectivity properties that are very similar to those of the surrounding regions. To overcome these problems, we propose a generative adversarial network based segmentation framework with uncertainty attention unit and refinement module embedded in the generator. The refinement module, composed of edge and reverse attention units, is designed to refine the predicted building map. The edge attention enhances the boundary features to estimate building boundaries with greater precision, and the reverse attention allows the network to explore the features missing in the previously estimated regions. The uncertainty attention unit assists the network in resolving uncertainties in classification. As a measure of the power of our approach, as of December 4, 2021, it ranks at the second place on DeepGlobe's public leaderboard despite the fact that main focus of our approach -- refinement of the building edges -- does not align exactly with the metrics used for leaderboard rankings. Our overall F1-score on DeepGlobe's challenging dataset is 0.745. We also report improvements on the previous-best results for the challenging INRIA Validation Dataset for which our network achieves an overall IoU of 81.28% and an overall accuracy of 97.03%. Along the same lines, for the official INRIA Test Dataset, our network scores 77.86% and 96.41% in overall IoU and accuracy.
Abstract（参考訳）: 近年のディープラーニングに基づくセマンティックセマンティックセグメンテーションの進歩にもかかわらず、リモートセンシング画像からの自動ビルディング検出は、世界中の建物の外観に大きなばらつきがあるため、依然として難しい問題である。この誤差は、主に建物のフットプリントの境界付近、影の領域で発生し、外面が周囲の領域と非常によく似た反射特性を持つ建物を検出する際に発生する。これらの問題を克服するために, ジェネレータ内に不確実な注意ユニットと改良モジュールを組み込んだ生成逆ネットワークに基づくセグメンテーションフレームワークを提案する。エッジとリバースアテンションユニットからなるリファインメントモジュールは、予測された建物マップを洗練するように設計されている。エッジアテンションは境界機能を強化し、より高精度に建物の境界を推定し、リバースアテンションにより、ネットワークは、事前に見積もられた領域に欠けている機能を調べることができる。不確実性注意部は、分類の不確実性を解決するネットワークを支援する。われわれのアプローチの力の尺度として、2021年12月4日時点では、私たちのアプローチの主な焦点、すなわち建物の縁の洗練は、リーダーボードのランキングに使用される指標と正確に一致していないにもかかわらず、DeepGlobeの公共のリーダーボードで第2位にランクインしている。 DeepGlobeの挑戦的なデータセットの全体的なF1スコアは0.745である。また、我々のネットワークがIoU全体の81.28%、全体的な精度97.03%を達成した、挑戦的なINRIAバリデーションデータセットに対する前回のベスト結果の改善についても報告する。同じ線に沿って、公式のINRIAテストデータセットでは、我々のネットワークはIoU全体の77.86%と96.41%のスコアを得た。

関連論文リスト

Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。提案手法の有効性を広範囲な実験により実証する。
論文参考訳（メタデータ） (2024-04-06T13:14:04Z)
Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images [0.0]
ビルディング抽出は高解像度リモートセンシング画像のセマンティックセグメンテーションに大きく依存している。本研究では,ネットワークバックボーンをベースとした様々なU-Net++を提案する。実験結果によると,提案モデルは従来の最先端アプローチよりも有意に優れていた。
論文参考訳（メタデータ） (2023-09-05T18:14:14Z)
Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文参考訳（メタデータ） (2023-09-03T06:35:07Z)
Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network [18.365220543556113]
ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。その結果、提案したUANetは、他の最先端アルゴリズム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） (2023-07-23T12:42:15Z)
The Second Monocular Depth Estimation Challenge [93.1678025923996]
MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
論文参考訳（メタデータ） (2023-04-14T11:10:07Z)
Deep Multi-Scale U-Net Architecture and Noise-Robust Training Strategies for Histopathological Image Segmentation [6.236433671063744]
本稿では,U-Netエンコーダの各畳み込みモジュールにマルチスケールの特徴マップを明示的に付加し,ヒストロジー画像のセグメンテーションを改善することを提案する。乳がんリンパ節のプライベートデータセットを用いた実験では, 提案した2つの拡張に基づいて, U-Netベースラインを大幅に改善した。
論文参考訳（メタデータ） (2022-05-03T21:00:44Z)
Improved Orientation Estimation and Detection with Hybrid Object Detection Networks for Automotive Radar [1.53934570513443]
我々は,レーダに基づく物体検出ネットワークを改善するために,グリッドとポイントを併用した新しいハイブリッドアーキテクチャを提案する。格子描画の前に、点の正確な相対位置を利用して、点ベースモデルが近傍の特徴を抽出できることが示される。これは、次の畳み込み検出バックボーンに対して大きなメリットがある。
論文参考訳（メタデータ） (2022-05-03T06:29:03Z)
Stereoscopic Universal Perturbations across Different Architectures and Datasets [60.021985610201156]
本研究では,画像の逆摂動が不均一性推定タスクの深部ステレオマッチングネットワークに与える影響について検討する。本稿では,データセット内の任意のステレオ画像対に追加されると,ステレオネットワークを騙すことのできる,単一の摂動セットを構築する方法を提案する。我々の摂動は、最先端のステレオネットワークのD1エラーを1%から87%に増やすことができる。
論文参考訳（メタデータ） (2021-12-12T02:11:31Z)
An Attention-Fused Network for Semantic Segmentation of Very-High-Resolution Remote Sensing Imagery [26.362854938949923]
注目融合ネットワーク(AFNet)という,新しい畳み込みニューラルネットワークアーキテクチャを提案する。 ISPRS Vaihingen 2DデータセットとISPRS Potsdam 2Dデータセットで、総精度91.7%、平均F1スコア90.96%の最先端のパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-05-10T06:23:27Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。