論文の概要: Comparison of convolutional neural networks for cloudy optical images
reconstruction from single or multitemporal joint SAR and optical images
- arxiv url: http://arxiv.org/abs/2204.00424v1
- Date: Fri, 1 Apr 2022 13:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 18:27:05.053442
- Title: Comparison of convolutional neural networks for cloudy optical images
reconstruction from single or multitemporal joint SAR and optical images
- Title（参考訳）: 単一または多時期関節sarおよび光画像からの曇り光画像再構成のための畳み込みニューラルネットワークの比較
- Authors: R\'emi Cresson, Nicolas Nar\c{c}on, Raffaele Gaetano, Aurore Dupuis,
Yannick Tanguy, St\'ephane May, and Benjamin Commandre
- Abstract要約: 本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。
光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。
空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
- 参考スコア（独自算出の注目度）: 0.21079694661943604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increasing availability of optical and synthetic aperture radar
(SAR) images thanks to the Sentinel constellation, and the explosion of deep
learning, new methods have emerged in recent years to tackle the reconstruction
of optical images that are impacted by clouds. In this paper, we focus on the
evaluation of convolutional neural networks that use jointly SAR and optical
images to retrieve the missing contents in one single polluted optical image.
We propose a simple framework that ease the creation of datasets for the
training of deep nets targeting optical image reconstruction, and for the
validation of machine learning based or deterministic approaches. These methods
are quite different in terms of input images constraints, and comparing them is
a problematic task not addressed in the literature. We show how space
partitioning data structures help to query samples in terms of cloud coverage,
relative acquisition date, pixel validity and relative proximity between SAR
and optical images. We generate several datasets to compare the reconstructed
images from networks that use a single pair of SAR and optical image, versus
networks that use multiple pairs, and a traditional deterministic approach
performing interpolation in temporal domain.
- Abstract（参考訳）: センチネル星座による光学・合成開口レーダ(SAR)画像の利用可能化と深層学習の爆発により,近年,雲の影響を受けない光学画像の再構築に向けた新たな手法が出現している。
本稿では,sar画像と光学画像とを併用した畳み込みニューラルネットワークの評価について検討する。
光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成と、機械学習に基づく決定論的アプローチの検証を容易にするための簡単なフレームワークを提案する。
これらの手法は入力画像の制約という点ではかなり異なり、それらを比較することは文献にない問題である。
空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
sarと光学画像のペアを使用するネットワークと、複数のペアを使用するネットワークと、時間領域で補間を行う従来の決定論的アプローチを比較するために、いくつかのデータセットを生成する。
関連論文リスト
- OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2022-01-23T20:09:01Z) - Enhancing Photorealism Enhancement [83.88433283714461]
本稿では,畳み込みネットワークを用いた合成画像のリアリズム向上手法を提案する。
一般的に使用されるデータセットのシーンレイアウトの分布を分析し、重要な方法で異なることを見つけます。
近年のイメージ・ツー・イメージ翻訳法と比較して,安定性とリアリズムの大幅な向上が報告されている。
論文 参考訳（メタデータ） (2021-05-10T19:00:49Z) - Learning optical flow from still images [53.295332513139925]
我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。
既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。
我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
論文 参考訳（メタデータ） (2021-04-08T17:59:58Z) - AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from
Sparse Data [1.7237160821929758]
光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。
本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。
次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
論文 参考訳（メタデータ） (2021-01-22T03:49:30Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Generative Adversarial Networks for Synthesizing InSAR Patches [15.260123615399035]
GAN(Generative Adversarial Networks)は、光学的および実数値的なSAR強度画像間の画像翻訳タスクで一定の成功を収めている。
人工的複素数値InSAR画像スタックの合成は、知覚的品質に加えて、位相ノイズや位相コヒーレンスといったより厳密な品質指標を求める。
本稿では、生成CNN構造の信号処理モデルを提供し、それらの品質指標に影響を与える影響を説明し、与えられたCNN構造に対する複素数値データのマッピングスキームを示す。
論文 参考訳（メタデータ） (2020-08-03T20:51:01Z) - Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot
Convolutional Neural Networks [30.410981386006394]
切り離しはシーン分析アルゴリズムの 重要な予備段階です
ディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。
本稿では,自己教師型ベイズ解法を提案する。
論文 参考訳（メタデータ） (2020-07-04T11:38:48Z) - A Convolutional Neural Network with Parallel Multi-Scale Spatial Pooling
to Detect Temporal Changes in SAR Images [43.56177583903999]
合成開口レーダ(SAR)画像変化検出では,ノイズ差画像から変化する情報を活用することは極めて困難である。
雑音差画像から変化した情報を利用するマルチスケール空間プーリング(MSSP)ネットワークを提案する。
論文 参考訳（メタデータ） (2020-05-22T03:37:30Z) - 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) - Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional
Neural Networks [30.410981386006394]
ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。
本稿では,自己教師型ベイズ解法を提案する。
提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
論文 参考訳（メタデータ） (2020-01-15T12:21:12Z)
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。