Fugu-MT 論文翻訳(概要): Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution

論文の概要: Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution

arxiv url: http://arxiv.org/abs/2202.10753v1
Date: Tue, 22 Feb 2022 09:12:40 GMT
ステータス: 処理完了
システム内更新日: 2022-02-23 15:40:18.955837
Title: Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution
Title（参考訳）: MODISランド温度超解法のための畳み込みニューラルネットワークモデリング
Authors: Binh Minh Nguyen, Ganglin Tian, Minh-Triet Vo, Aur\'elie Michel, Thomas Corpetti (CNRS, LETG), Carlos Granero-Belinchon (Lab-STICC_OSE, IMT Atlantique - MEE)
Abstract要約: 我々はMODIS LST 単一画像の超高解像度化のための深層学習に基づくアルゴリズム、Multi-Residual U-Netを導入する。提案するネットワークはU-Netアーキテクチャの修正版であり,1画素あたり1Kmから250mまでの入力LST画像を超解き放つことを目的としている。
参考スコア（独自算出の注目度）: 0.5277024349608835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nowadays, thermal infrared satellite remote sensors enable to extract very interesting information at large scale, in particular Land Surface Temperature (LST). However such data are limited in spatial and/or temporal resolutions which prevents from an analysis at fine scales. For example, MODIS satellite provides daily acquisitions with 1Km spatial resolutions which is not sufficient to deal with highly heterogeneous environments as agricultural parcels. Therefore, image super-resolution is a crucial task to better exploit MODIS LSTs. This issue is tackled in this paper. We introduce a deep learning-based algorithm, named Multi-residual U-Net, for super-resolution of MODIS LST single-images. Our proposed network is a modified version of U-Net architecture, which aims at super-resolving the input LST image from 1Km to 250m per pixel. The results show that our Multi-residual U-Net outperforms other state-of-the-art methods.
Abstract（参考訳）: 現在、熱赤外衛星リモートセンサーは、特にランドサーフェス温度(LST)において、非常に興味深い情報を大規模に抽出することができる。しかし、これらのデータは、微細なスケールでの分析を阻害する空間的および/または時間的解像度に制限される。例えば、MODIS衛星は1Kmの空間分解能を持つ毎日の取得を提供しており、農業区画のような非常に異質な環境を扱うには不十分である。したがって、画像超解像はMODIS LSTをよりうまく活用するための重要な課題である。この問題はこの論文で取り組まれている。我々はMODIS LST 単一画像の超高解像度化のための深層学習に基づくアルゴリズムである Multi-Residual U-Net を導入する。提案するネットワークはU-Netアーキテクチャの修正版であり,1画素あたり1Kmから250mまでの入力LST画像を超解き放つことを目的としている。その結果,我々のマルチレジデンシャルなU-Netは,他の最先端手法よりも優れていた。

関連論文リスト

SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
論文参考訳（メタデータ） (2024-06-14T17:58:28Z)
RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
論文参考訳（メタデータ） (2024-04-03T12:06:01Z)
Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
論文参考訳（メタデータ） (2023-06-16T17:35:11Z)
Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。提案法は最先端のSR法よりも3倍程度小さい。
論文参考訳（メタデータ） (2023-02-27T14:19:31Z)
MTU-Net: Multi-level TransUNet for Space-based Infrared Tiny Ship Detection [42.92798053154314]
我々は,48個の空間ベースの赤外線画像と17598ピクセルレベルの小型船舶アノテーションを用いた,宇宙ベースの小型船舶検出データセット(NUDT-SIRST-Sea)を開発した。このような挑戦的な場面におけるこれらの小型船の極端な特性を考慮すると、本稿ではマルチレベルトランスUNet(MTU-Net)を提案する。 NUDT-SIRST-Seaデータセットによる実験結果から,MTU-Netは従来の深層学習に基づくSIRST法よりも検出率,誤警報率,結合上の交叉率の点で優れていた。
論文参考訳（メタデータ） (2022-09-28T00:48:14Z)
Effectivity of super resolution convolutional neural network for the enhancement of land cover classification from medium resolution satellite images [0.0]
超解像畳み込みニューラルネットワーク(SRCNN)は、確立された認識方法の下でも、画素の誤分類の可能性を小さくする。本研究では,サンダーバンの異なる領域のLANDSAT-7画像と,バイリンarvolution,バイコビック,SRCNNによるアップスケールバージョンについて検討した。
論文参考訳（メタデータ） (2022-07-05T20:48:03Z)
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)
Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文参考訳（メタデータ） (2020-09-02T22:33:23Z)
Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文参考訳（メタデータ） (2020-08-03T13:55:39Z)
X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文参考訳（メタデータ） (2020-06-24T15:29:41Z)
HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery [55.253395881190436]
MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。これは、地球上の人間の影響を衛星で観測する上で重要である。我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
論文参考訳（メタデータ） (2020-02-15T22:17:47Z)

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。