論文の概要: Image-to-Height Domain Translation for Synthetic Aperture Sonar
- arxiv url: http://arxiv.org/abs/2112.06307v1
- Date: Sun, 12 Dec 2021 19:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 07:47:15.694054
- Title: Image-to-Height Domain Translation for Synthetic Aperture Sonar
- Title（参考訳）: 合成開口ソナーのための画像対height領域変換
- Authors: Dylan Stewart, Shawn Johnson, and Alina Zare
- Abstract要約: 本研究では,等方的および異方的テクスチャに関する集合幾何学に焦点をあてる。
集合幾何学の低放牧角度は、異方性テクスチャに対するソナーパスの配向と相まって、画像アライメントや他の多視点シーン理解フレームワークにとって重要な課題である。
- 参考スコア（独自算出の注目度）: 3.2662392450935416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Observations of seabed texture with synthetic aperture sonar are dependent
upon several factors. In this work, we focus on collection geometry with
respect to isotropic and anisotropic textures. The low grazing angle of the
collection geometry, combined with orientation of the sonar path relative to
anisotropic texture, poses a significant challenge for image-alignment and
other multi-view scene understanding frameworks. We previously proposed using
features captured from estimated seabed relief to improve scene understanding.
While several methods have been developed to estimate seabed relief via
intensity, no large-scale study exists in the literature. Furthermore, a
dataset of coregistered seabed relief maps and sonar imagery is nonexistent to
learn this domain translation. We address these problems by producing a large
simulated dataset containing coregistered pairs of seabed relief and intensity
maps from two unique sonar data simulation techniques. We apply three types of
models, with varying complexity, to translate intensity imagery to seabed
relief: a Gaussian Markov Random Field approach (GMRF), a conditional
Generative Adversarial Network (cGAN), and UNet architectures. Methods are
compared in reference to the coregistered simulated datasets using L1 error.
Additionally, predictions on simulated and real SAS imagery are shown. Finally,
models are compared on two datasets of hand-aligned SAS imagery and evaluated
in terms of L1 error across multiple aspects in comparison to using intensity.
Our comprehensive experiments show that the proposed UNet architectures
outperform the GMRF and pix2pix cGAN models on seabed relief estimation for
simulated and real SAS imagery.
- Abstract（参考訳）: 合成開口ソナーによる海底テクスチャの観測はいくつかの要因に依存する。
本研究では,等方的および異方的テクスチャに関する集合幾何学に焦点をあてる。
集合幾何学の低い放牧角度は、異方性テクスチャに対するソナーパスの向きと相まって、画像調整や他の多視点のシーン理解フレームワークにとって大きな課題となる。
我々は以前,推定海底レリーフから得られた特徴を用いてシーン理解を改善することを提案した。
強度によって海底の浮揚を推定する手法がいくつか開発されているが、文献には大規模な研究は見られない。
さらに、コアギスター付き海底レリーフマップとソナー画像のデータセットは、このドメイン翻訳を学ぶために存在しない。
本研究では,2つのソナーデータシミュレーション手法を用いて,コアギスター型海底レリーフと強度マップを含む大規模シミュレーションデータセットを作成した。
様々な複雑さを持つ3種類のモデルを適用し、強度画像を海底レリーフに翻訳する: ガウス・マルコフ確率場アプローチ(gmrf)、条件付き生成敵ネットワーク(cgan)、unetアーキテクチャ。
手法はL1エラーを用いたコアギスターシミュレーションデータセットを参照して比較される。
さらに,シミュレーションおよび実SAS画像の予測を行う。
最後に、手動SAS画像の2つのデータセットでモデルを比較し、複数の側面にわたるL1誤差の観点から、強度を用いて評価する。
総合的な実験により,提案したUNetアーキテクチャは,シミュレーションおよび実SAS画像の海底回収推定において,GMRFおよびpix2pix cGANモデルより優れていることが示された。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-12-15T13:33:09Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Underwater object classification combining SAS and transferred
optical-to-SAS Imagery [12.607649347048442]
本研究では,人工目標と岩やごみなどの対象物とを識別するマルチモーダルの組み合わせを提案する。
本稿では,2つのモード間の強度差と物体形成差を克服する新しい分類アルゴリズムを提案する。
海洋実験で収集した7,052対のSASと光学画像から,分類性能が向上した。
論文 参考訳（メタデータ） (2023-04-24T07:42:16Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - Dual-Scale Single Image Dehazing Via Neural Augmentation [29.019279446792623]
モデルベースとデータ駆動のアプローチを組み合わせることで,新しい単一画像デハージングアルゴリズムを導入する。
その結果,提案アルゴリズムは実世界および合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
論文 参考訳（メタデータ） (2022-09-13T11:56:03Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳（メタデータ） (2021-11-12T16:45:20Z) - Deep Two-View Structure-from-Motion Revisited [83.93809929963969]
2次元構造移動(SfM)は3次元再構成と視覚SLAMの基礎となる。
古典パイプラインの適切性を活用することで,深部2視点sfmの問題を再検討することを提案する。
本手法は,1)2つのフレーム間の密対応を予測する光フロー推定ネットワーク,2)2次元光フロー対応から相対カメラポーズを計算する正規化ポーズ推定モジュール,3)エピポーラ幾何を利用して探索空間を縮小し,密対応を洗練し,相対深度マップを推定するスケール不変深さ推定ネットワークからなる。
論文 参考訳（メタデータ） (2021-04-01T15:31:20Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z) - Leveraging Photogrammetric Mesh Models for Aerial-Ground Feature Point
Matching Toward Integrated 3D Reconstruction [19.551088857830944]
地上・地上画像の統合は, 都市環境における表面の再構築を効果的に進めるためのアプローチとして証明されている。
幾何認識による画像補正に基づく従来の研究により,この問題は緩和された。
地上画像マッチングにフォトグラムメッシュモデルを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T01:47:59Z)
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。