論文の概要: Dark Spot Detection from SAR Images Based on Superpixel Deeper Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2204.09230v1
• Date: Wed, 20 Apr 2022 05:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:49:45.214631
• Title: Dark Spot Detection from SAR Images Based on Superpixel Deeper Graph Convolutional Network
• Title（参考訳）: 超画素深部グラフ畳み込みネットワークを用いたSAR画像からの暗斑検出
• Authors: Xiaojian Liu, Yansheng Li
• Abstract要約: 本稿では,超画素深部グラフ畳み込みネットワーク(SGDCN)に基づく暗斑検出手法を提案する。 超画素領域から計算した特徴は固定画素近傍の特徴よりも頑丈である。 本手法を検証するため,バルト海を覆っている6つのSAR画像にすべての暗斑点をマークし,暗斑検出データセットを構築した。
• 参考スコア（独自算出の注目度）: 1.4286493651817906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic Aperture Radar (SAR) is the main instrument utilized for the detection of oil slicks on the ocean surface. In SAR images, some areas affected by ocean phenomena, such as rain cells, upwellings, and internal waves, or discharge from oil spills appear as dark spots on images. Dark spot detection is the first step in the detection of oil spills, which then become oil slick candidates. The accuracy of dark spot segmentation ultimately affects the accuracy of oil slick identification. Although some advanced deep learning methods that use pixels as processing units perform well in remote sensing image semantic segmentation, detecting some dark spots with weak boundaries from noisy SAR images remains a huge challenge. We propose a dark spot detection method based on superpixels deeper graph convolutional networks (SGDCN) in this paper, which takes the superpixels as the processing units and extracts features for each superpixel. The features calculated from superpixel regions are more robust than those from fixed pixel neighborhoods. To reduce the difficulty of learning tasks, we discard irrelevant features and obtain an optimal subset of features. After superpixel segmentation, the images are transformed into graphs with superpixels as nodes, which are fed into the deeper graph convolutional neural network for node classification. This graph neural network uses a differentiable aggregation function to aggregate the features of nodes and neighbors to form more advanced features. It is the first time using it for dark spot detection. To validate our method, we mark all dark spots on six SAR images covering the Baltic Sea and construct a dark spots detection dataset, which has been made publicly available (https://drive.google.com/drive/folders/12UavrntkDSPrItISQ8iGefXn2gIZHxJ6?usp=sharing). The experimental results demonstrate that our proposed SGDCN is robust and effective.
• Abstract（参考訳）: 合成開口レーダ(sar)は、海洋表面のオイルスリックを検出するために使用される主要な機器である。 SAR画像では、雨の細胞や腫れ、内部波などの海洋現象に影響された領域や、石油流出からの流出が画像上の暗斑点として現れる。 ダークスポット検出は、石油流出を検知する第一歩であり、その後、石油流出候補となる。 ダークスポットセグメンテーションの精度は、最終的にオイルスリック識別の精度に影響を与える。 リモートセンシング画像セマンティックセグメンテーションにおいて,処理単位としてピクセルを用いる先進的な深層学習手法はよく機能するが,ノイズの多いSAR画像から境界の弱い暗斑を検出することは大きな課題である。 本稿では,スーパーピクセルを処理単位とし,各スーパーピクセルの特徴を抽出するスーパーピクセル深層グラフ畳み込みネットワーク(sgdcn)に基づく暗黒スポット検出手法を提案する。 超画素領域から計算した特徴は固定画素近傍の特徴よりも頑丈である。 学習課題の難易度を低減するため,無関係な特徴を破棄し,最適な特徴のサブセットを得る。 スーパーピクセルセグメンテーションの後、画像はスーパーピクセルをノードとしてグラフに変換し、ノード分類のためにより深いグラフ畳み込みニューラルネットワークに入力される。 このグラフニューラルネットワークは、微分可能な集約関数を使用して、ノードと隣人の特徴を集約し、より高度な特徴を形成する。 ダークスポット検出に使用したのはこれが初めてである。 提案手法を検証するため,バルト海を覆っている6つのSAR画像にすべての黒点をマークし,ダークスポット検出データセットを構築した(https://drive.google.com/drive/folders/12UavrntkDSPrItISQ8iGefXn2gIZHxJ6?usp= sharing)。 実験の結果,提案したSGDCNは堅牢で有効であることがわかった。

関連論文リスト

• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• Superpixels algorithms through network community detection [0.0]
  コミュニティ検出は複雑なネットワーク分析の強力なツールであり、様々な研究分野の応用を見出すことができる。 スーパーピクセルは、可能な限りオリジナル情報を保存しながら、画像をより小さなレベルで表現することを目的としている。 4つの連結画素グラフ上で,最先端のコミュニティ検出アルゴリズムによって計算されたスーパーピクセルの効率について検討した。
  論文  参考訳（メタデータ） (2023-08-27T13:13:28Z)
• 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)
• Unsupervised Superpixel Generation using Edge-Sparse Embedding [18.92698251515116]
  特徴に対する画素の類似性に基づいて画像をスーパーピクセルに分割することは、データの複雑さを著しく減らし、その後の画像処理タスクを改善する。 コントラストの少ない非畳み込み画像デコーダを提案し、再構成画像にスムーズで接続されたエッジを強制する。 我々はデコーダの最後に隠された層から、余分な空間情報をスムーズなアクティベーションマップに符号化してエッジスパース画素埋め込みを生成し、標準クラスタリングアルゴリズムを用いて高品質なスーパーピクセルを抽出する。
  論文  参考訳（メタデータ） (2022-11-28T15:55:05Z)
• SPSN: Superpixel Prototype Sampling Network for RGB-D Salient Object Detection [5.2134203335146925]
  近年,RGB-D Salient Object Detection (SOD) が注目されている。 深層学習手法の進歩にもかかわらず、RGB-D SODは、RGB画像と深度マップと低品質深度マップとの間に大きな領域ギャップがあるため、依然として困難である。 本稿では,この問題を解決するために,新しいスーパーピクセルプロトタイプサンプリングネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-16T10:43:14Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
  現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。 本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。 提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-09-20T15:09:22Z)
• Analyzing Adversarial Robustness of Deep Neural Networks in Pixel Space: a Semantic Perspective [23.69696449352784]
  敵の例は、入力を知覚不能な摂動で修正し、ネットワークが誤った出力を生成することを誤解することによって悪質に作成される。 画像レベルでは,画像分類器の対角的ロバスト性について検討し,画像中の画素情報をすべて無差別に利用する。 本研究では,分割画像の異なる領域の画素による摂動画素の探索を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-18T02:16:01Z)
• Deep Superpixel Cut for Unsupervised Image Segmentation [0.9281671380673306]
  本稿では,下記の2段階を含む画像分割の教師なし手法を提案する。 まず,スーパーピクセルワイドオートエンコーダ(SuperAE)を用いて,スムーズな画像の埋め込みと再構成を学習し,そのスムーズな画像を渡してスーパーピクセルを生成する。 次に,超画素間の深い類似度を測定し,ソフトパーティショニング問題として画像分割を定式化する,deep superpixel cut(dsc)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-10T13:07:41Z)
• Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
  RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。 本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T04:33:36Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。