論文の概要: Dual Branch Neural Network for Sea Fog Detection in Geostationary Ocean Color Imager

• arxiv url: http://arxiv.org/abs/2205.02069v1
• Date: Wed, 4 May 2022 14:01:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-05 14:52:48.732939
• Title: Dual Branch Neural Network for Sea Fog Detection in Geostationary Ocean Color Imager
• Title（参考訳）: 静止海洋カラーイメージ装置における海霧検出のためのデュアルブランチニューラルネットワーク
• Authors: Yuan Zhou and Keran Chen and Xiaofeng Li
• Abstract要約: 本稿では,海霧データセット (SFDD) と二重分岐海霧検出ネットワーク (DB-SFNet) を開発する。 我々は2010年から2020年にかけて,黄海とボーハイ海で観測されたすべての海霧を調査した。 DB-SFNetは、特に雲と霧の混合領域において、検出性能と安定性に優れている。
• 参考スコア（独自算出の注目度）: 10.518441342599422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sea fog significantly threatens the safety of maritime activities. This paper develops a sea fog dataset (SFDD) and a dual branch sea fog detection network (DB-SFNet). We investigate all the observed sea fog events in the Yellow Sea and the Bohai Sea (118.1{\deg}E-128.1{\deg}E, 29.5{\deg}N-43.8{\deg}N) from 2010 to 2020, and collect the sea fog images for each event from the Geostationary Ocean Color Imager (GOCI) to comprise the dataset SFDD. The location of the sea fog in each image in SFDD is accurately marked. The proposed dataset is characterized by a long-time span, large number of samples, and accurate labeling, that can substantially improve the robustness of various sea fog detection models. Furthermore, this paper proposes a dual branch sea fog detection network to achieve accurate and holistic sea fog detection. The poporsed DB-SFNet is composed of a knowledge extraction module and a dual branch optional encoding decoding module. The two modules jointly extracts discriminative features from both visual and statistical domain. Experiments show promising sea fog detection results with an F1-score of 0.77 and a critical success index of 0.63. Compared with existing advanced deep learning networks, DB-SFNet is superior in detection performance and stability, particularly in the mixed cloud and fog areas.
• Abstract（参考訳）: 海霧は海洋活動の安全性を著しく脅かしている。 本稿では,海霧データセット(SFDD)と二重分岐海霧検出ネットワーク(DB-SFNet)を開発する。 我々は,2010年から2020年にかけて,黄海とボーハイ海で観測されたすべての海霧 (118.1{\deg}E-128.1{\deg}E,29.5{\deg}N-43.8{\deg}N) を調査し,各イベントの海霧画像はGOCI(Geostationary Ocean Color Imager)から収集し,データセットSFDDを構成する。 SFDDの各画像中の海霧の位置を正確にマークする。 提案したデータセットは, 長期にわたるスパン, 多数のサンプル, 正確なラベル付けによって特徴付けられ, 様々な海霧検出モデルの堅牢性を大幅に向上させることができる。 さらに,両枝の海霧検出ネットワークを提案し,その精度と総合的な海霧検出を実現する。 ポロセドDB-SFNetは、知識抽出モジュールと、任意のデコードモジュールのデュアルブランチで構成される。 2つのモジュールは、視覚領域と統計領域の両方から識別的特徴を共同抽出する。 実験の結果, f1-score 0.77, 臨界成功率 0.63 の有望な海霧検出結果が得られた。 既存の高度なディープラーニングネットワークと比較して、DB-SFNetは特に雲と霧の混合領域において、検出性能と安定性に優れている。

関連論文リスト

• Sea ice detection using concurrent multispectral and synthetic aperture radar imagery [1.0400484498567675]
  本稿では,海氷検出(ViSual_IceD)のためのマルチスペクトル可視画像とSAR画像の同時学習ツールを提案する。 ViSual_IceDは、2つの並列エンコーダを含むことで、古典的なU-Netアーキテクチャの上に構築される畳み込みニューラルネットワーク(CNN)である。 MSIとSAR画像の時空間被覆が増加し続けるにつれて、ViSual_IceDは極域における正確な海氷被覆検出のための新たな機会を提供する。
  論文  参考訳（メタデータ） (2024-01-11T16:14:30Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• SafeSea: Synthetic Data Generation for Adverse & Low Probability Maritime Conditions [24.312671086207228]
  本研究では,海面背景の異なる実際の海面画像を変換するためのステップストーンであるSafeSeaを紹介する。 このアプローチは、海洋オブジェクト検出モデルをトレーニングするための合成データセットを作成するのに必要な時間と労力を削減する。
  論文  参考訳（メタデータ） (2023-11-24T01:10:12Z)
• 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)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• LSENet: Location and Seasonality Enhanced Network for Multi-Class Ocean Front Detection [22.86716538369453]
  海洋前線は栄養素の蓄積を引き起こし、水中の音の伝搬に影響を与える可能性がある。 現在の海洋前線検出法は、検出精度が低いか、ほとんどの場合、二分法で海洋前線の発生を検出できない。 本稿では,LSENetと呼ばれるセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-05T08:40:42Z)
• Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
  コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。 本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
  論文  参考訳（メタデータ） (2021-03-30T21:22:26Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)

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。