Fugu-MT 論文翻訳(概要): SEN12MS-CR-TS: A Remote Sensing Data Set for Multi-modal Multi-temporal Cloud Removal

論文の概要: SEN12MS-CR-TS: A Remote Sensing Data Set for Multi-modal Multi-temporal Cloud Removal

arxiv url: http://arxiv.org/abs/2201.09613v1
Date: Mon, 24 Jan 2022 11:38:49 GMT
ステータス: 処理完了
システム内更新日: 2022-01-26 00:25:34.475330
Title: SEN12MS-CR-TS: A Remote Sensing Data Set for Multi-modal Multi-temporal Cloud Removal
Title（参考訳）: sen12ms-cr-ts:マルチモーダル雲除去のためのリモートセンシングデータセット
Authors: Patrick Ebel and Yajin Xu and Michael Schmitt and Xiaoxiang Zhu
Abstract要約: 人工衛星によって収集された光学観測の約半数は、ヘイズや雲の影響を受けている。本研究は、SEN12MS-CR-TSによる光衛星画像再構成と雲除去の課題に対処する。本稿では,SEN12MS-CR-TSの利点とユースケースを明らかにする2つのモデルを提案する。
参考スコア（独自算出の注目度）: 15.459106705735376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: About half of all optical observations collected via spaceborne satellites are affected by haze or clouds. Consequently, cloud coverage affects the remote sensing practitioner's capabilities of a continuous and seamless monitoring of our planet. This work addresses the challenge of optical satellite image reconstruction and cloud removal by proposing a novel multi-modal and multi-temporal data set called SEN12MS-CR-TS. We propose two models highlighting the benefits and use cases of SEN12MS-CR-TS: First, a multi-modal multi-temporal 3D-Convolution Neural Network that predicts a cloud-free image from a sequence of cloudy optical and radar images. Second, a sequence-to-sequence translation model that predicts a cloud-free time series from a cloud-covered time series. Both approaches are evaluated experimentally, with their respective models trained and tested on SEN12MS-CR-TS. The conducted experiments highlight the contribution of our data set to the remote sensing community as well as the benefits of multi-modal and multi-temporal information to reconstruct noisy information. Our data set is available at https://patrickTUM.github.io/cloud_removal
Abstract（参考訳）: 人工衛星で観測された光学観測の約半数は、煙や雲の影響を受けている。その結果、クラウドのカバレッジは、地球を継続的にシームレスに監視するリモートセンシング実践者の能力に影響を与えます。本研究は、SEN12MS-CR-TSと呼ばれる新しいマルチモーダル・マルチテンポラルデータセットを提案することにより、光衛星画像再構成と雲除去の課題に対処する。我々は,sen12ms-cr-tsの利点とユースケースを強調する2つのモデルを提案する。第二に、雲に覆われた時系列から雲のない時系列を予測するシーケンシャル・ツー・シーケンス翻訳モデルである。どちらのアプローチも実験的に評価され、それぞれのモデルがSEN12MS-CR-TSでトレーニングおよびテストされている。実験では、リモートセンシングコミュニティへのデータセットの貢献と、ノイズ情報を再構成するためのマルチモーダル情報とマルチテンポラル情報の利点を強調した。私たちのデータセットはhttps://patricktum.github.io/cloud_removalで利用可能です。

関連論文リスト

Cloud gap-filling with deep learning for improved grassland monitoring [2.9272689981427407]
農耕地変化のタイムリーなモニタリングには,未断の光学画像シリーズが不可欠である。本研究では,クラウドフリー光(Sentinel-2)観測と気象非依存(Sentinel-1)合成開口レーダ(SAR)データを統合する深層学習手法を提案する。
論文参考訳（メタデータ） (2024-03-14T16:41:26Z)
NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [52.904913650645796]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文参考訳（メタデータ） (2024-02-28T09:02:33Z)
Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文参考訳（メタデータ） (2023-08-31T16:26:17Z)
U-TILISE: A Sequence-to-sequence Model for Cloud Removal in Optical Satellite Time Series [22.39321609253005]
我々は,クラウドにマッピングされた入力シーケンスを,クラウドのない出力シーケンスにマッピングできるニューラルモデルを開発した。本研究では,欧州全域で取得した衛星センチネル2時系列のデータセットを用いて,提案モデルの有効性を実験的に評価した。標準ベースラインと比較して、PSNRは以前見られた場所で1.8dB、見えない場所では1.3dB増加する。
論文参考訳（メタデータ） (2023-05-22T17:37:10Z)
ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-05-03T13:24:06Z)
UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文参考訳（メタデータ） (2023-04-11T19:27:18Z)
SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文参考訳（メタデータ） (2022-07-17T01:35:29Z)
Multi-Modal Temporal Attention Models for Crop Mapping from Satellite Time Series [7.379078963413671]
複数の作物マッピングタスクにまたがる時間的注意に基づく手法が最近成功し,これらのモデルがどのように複数のモードで操作できるのかを考察する。我々は,新しいアプローチと訓練手順の簡単な調整を含む,複数の融合方式を実装し,評価する。ほとんどのフュージョンスキームには利点と欠点があり、特定の設定に関連があることが示される。次に,パーセル分類,画素ベースセグメンテーション,パン光学パーセルセグメンテーションなど,複数のタスクにまたがるマルチモーダルの利点を評価する。
論文参考訳（メタデータ） (2021-12-14T17:05:55Z)
Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。 Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
論文参考訳（メタデータ） (2021-06-23T08:15:01Z)
Seeing Through Clouds in Satellite Images [14.84582204034532]
本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における隠蔽領域の再構成を支援する。
論文参考訳（メタデータ） (2021-06-15T20:01:27Z)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。