論文の概要: Recognition of polar lows in Sentinel-1 SAR images with deep learning
- arxiv url: http://arxiv.org/abs/2203.16401v1
- Date: Wed, 30 Mar 2022 15:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 15:45:33.142087
- Title: Recognition of polar lows in Sentinel-1 SAR images with deep learning
- Title（参考訳）: ディープラーニングによるSentinel-1 SAR画像の極低認識
- Authors: Jakob Grahn, Filippo Maria Bianchi
- Abstract要約: 本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。
データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。
このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
- 参考スコア（独自算出の注目度）: 5.571369922847262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we explore the possibility of detecting polar lows in C-band
SAR images by means of deep learning. Specifically, we introduce a novel
dataset consisting of Sentinel-1 images labeled as positive; representing a
maritime mesocyclone, or negative; representing a normal sea state. The dataset
is constructed using the ERA5 dataset as baseline and it consists of 2004
annotated images. To our knowledge, this is the first dataset of its kind to be
publicly released. The dataset is used to train a deep learning model to
classify the labeled images. Evaluated on an independent test set, the model
yields an F-1 score of 0.95, indicating that polar lows can be consistently
detected from SAR images. Interpretability techniques applied to the deep
learning model reveal that atmospheric fronts and cyclonic eyes are key
features in the classification. Moreover, experimental results show that the
model is accurate even if: (i) such features are significantly cropped due to
the limited swath width of the SAR, (ii) the features are partly covered by sea
ice and (iii) land is covering significant parts of the images. By evaluating
the model performance on multiple input image resolutions (pixel sizes of 500m,
1km and 2km), it is found that higher resolution yield the best performance.
This emphasises the potential of using high resolution sensors like SAR for
detecting polar lows, as compared to conventionally used sensors such as
scatterometers.
- Abstract（参考訳）: 本稿では,深層学習によるCバンドSAR画像の極低検出の可能性について検討する。
具体的には,正にラベル付けされたSentinel-1画像からなる新しいデータセットを導入し,海上のメソサイクロン,あるいは正に海の状態を表す。
era5データセットをベースラインとして構築し、2004年の注釈付き画像で構成されている。
私たちの知る限り、この種のデータセットが公開されたのはこれが初めてです。
データセットは、ラベル付き画像を分類するためにディープラーニングモデルをトレーニングするために使用される。
独立したテストセットで評価すると、モデルはF-1スコアが0.95であり、極低がSAR画像から一貫して検出可能であることを示す。
深層学習モデルに適用した解釈可能性の手法は,大気面とサイクロニックアイが分類の重要な特徴であることを明らかにした。
さらに, 実験結果から, モデルが正確であることを示す。
(i)これらの特徴は、SARのスワス幅の制限により顕著に収穫される。
(二)部分的に海氷で覆われているもの
(iii)土地は画像のかなりの部分をカバーしている。
複数の入力画像解像度(画素サイズ500m,1km,2km)でモデル性能を評価することにより,高分解能が最高の性能が得られることがわかった。
これは、従来の散乱計のようなセンサーと比較して、SARのような高解像度のセンサーを使って極低を検知する可能性を強調している。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。
まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。
大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文 参考訳（メタデータ） (2024-04-05T17:55:33Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image
Classification [1.2349871196144497]
畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。
本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。
その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
論文 参考訳（メタデータ） (2024-02-27T16:46:21Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - A Semi-supervised Object Detection Algorithm for Underwater Imagery [10.017195276758455]
本稿では, 変分オートエンコーダ(VAE)に基づく半教師付きフレームワークを用いて, 人工物体を異常として扱い, 検出することを提案する。
本研究では,学習した低次元潜在空間における画像データをクラスタリングし,異常な特徴を含む可能性のある画像を抽出する手法を提案する。
大規模な画像データセットに両方の手法を適用することで、人間のオペレーターが興味のある対象を特定するために、偽陽性率の低い候補異常なサンプルを提示できることを実証する。
論文 参考訳（メタデータ） (2023-06-07T23:40:04Z) - A Large Scale Homography Benchmark [52.55694707744518]
1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。
また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
論文 参考訳（メタデータ） (2023-02-20T14:18:09Z) - A Dataset with Multibeam Forward-Looking Sonar for Underwater Object
Detection [0.0]
マルチビーム前方ソナー (MFLS) は水中検出において重要な役割を担っている。
MFLSを用いた水中物体検出の研究にはいくつかの課題がある。
本稿では,Tritech Gemini 1200ikソナーを用いて,9000枚以上のMFLS画像からなる新しいデータセットを提案する。
論文 参考訳（メタデータ） (2022-12-01T08:26:03Z) - Image-to-Height Domain Translation for Synthetic Aperture Sonar [3.2662392450935416]
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。
論文 参考訳（メタデータ） (2021-12-12T19:53:14Z) - Deep-Learning-Based Single-Image Height Reconstruction from
Very-High-Resolution SAR Intensity Data [1.7894377200944511]
本稿では,リモートセンシングにおける他の重要なセンサモードである合成開口レーダ(SAR)データに対する,深層学習に基づく単一画像の高さ予測の初めての実演を示す。
SAR強度画像に対する畳み込みニューラルネットワーク(CNN)アーキテクチャの適用に加えて、トレーニングデータ生成のためのワークフローを提案する。
転送可能性に特に重点を置いているので、深層学習に基づく単一画像の高さ推定が可能であるだけでなく、目に見えないデータにかなりうまく転送可能であることを確認できます。
論文 参考訳（メタデータ） (2021-11-03T08:20:03Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z)
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。