論文の概要: Convolutional Neural Processes for Inpainting Satellite Images

• arxiv url: http://arxiv.org/abs/2205.12407v1
• Date: Tue, 24 May 2022 23:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 00:18:14.303206
• Title: Convolutional Neural Processes for Inpainting Satellite Images
• Title（参考訳）: 衛星画像における畳み込みニューラルプロセス
• Authors: Alexander Pondaven, M\"art Bakler, Donghu Guo, Hamzah Hashim, Martin Ignatov, Harrison Zhu
• Abstract要約: Inpaintingは、既知のピクセルに基づいて何が欠けているかを予測することを含み、画像処理における古い問題である。 本研究では,LANDSAT 7衛星画像のスキャンライン塗装問題に対して,従来の手法や最先端のディープラーニング塗装モデルよりも優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 56.032183666893246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread availability of satellite images has allowed researchers to model complex systems such as disease dynamics. However, many satellite images have missing values due to measurement defects, which render them unusable without data imputation. For example, the scanline corrector for the LANDSAT 7 satellite broke down in 2003, resulting in a loss of around 20\% of its data. Inpainting involves predicting what is missing based on the known pixels and is an old problem in image processing, classically based on PDEs or interpolation methods, but recent deep learning approaches have shown promise. However, many of these methods do not explicitly take into account the inherent spatiotemporal structure of satellite images. In this work, we cast satellite image inpainting as a natural meta-learning problem, and propose using convolutional neural processes (ConvNPs) where we frame each satellite image as its own task or 2D regression problem. We show ConvNPs can outperform classical methods and state-of-the-art deep learning inpainting models on a scanline inpainting problem for LANDSAT 7 satellite images, assessed on a variety of in and out-of-distribution images.
• Abstract（参考訳）: 衛星画像の普及により、研究者は病気のダイナミクスのような複雑なシステムをモデル化できるようになった。 しかし、多くの衛星画像は測定欠陥のために値が欠けており、データインプットなしでは使用できない。 例えば、LANDSAT 7衛星の走査線補正装置は2003年に故障し、データの約20%が失われた。 Inpaintingは、既知のピクセルに基づいて何が欠落しているかを予測することを含み、PDEや補間法に基づく画像処理では古い問題である。 しかし、これらの手法の多くは衛星画像の時空間構造を明示的に考慮していない。 本研究では,衛星画像のインペインティングを自然なメタラーニング問題として位置づけ,各衛星画像を独自のタスクあるいは2次元回帰問題として構成する畳み込みニューラルプロセス(convnps)を提案する。 本研究では,ランドサット7号の衛星画像のスキャンライン塗装問題において,convnpが古典的手法や最先端のディープラーニングペイントモデルに勝ることを示す。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Zero shot framework for satellite image restoration [25.163783640750573]
  衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。 我々のアルゴリズムでは、歪みした衛星画像の復元と、類似した意味を持つ参照画像の2つの画像しか必要としない。
  論文  参考訳（メタデータ） (2023-06-05T14:34:58Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• Evaluation of Pre-Trained CNN Models for Geographic Fake Image Detection [20.41074415307636]
  我々は偽の衛星画像の出現を目撃しており、それは誤解を招く可能性があるし、国家の安全を脅かすかもしれない。 衛星画像検出のためのいくつかの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合性について検討する。 この研究により、新たなベースラインの確立が可能となり、偽衛星画像検出のためのCNNベースの手法の開発に有用かもしれない。
  論文  参考訳（メタデータ） (2022-10-01T20:37:24Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Seamless Satellite-image Synthesis [1.3401746329218014]
  2Dデータは安価で容易だが、正確な衛星画像は高価であり、しばしば利用できない、または時代遅れである。 我々のアプローチは、スケール空間を通して一貫した任意の範囲のシームレスなテクスチャである。
  論文  参考訳（メタデータ） (2021-11-05T10:42:24Z)
• Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks [3.4797121357690153]
  本稿では,高解像度衛星画像に対する画像と画像の変換手法として,CGAN(Conditional Generative Adversarial Networks)を提案する。 CGANモデルは、見当たらない不均衡なテストデータセットにおいて、同様の複雑性のCNNモデルよりもかなりのマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-12-05T18:18:45Z)
• The color out of space: learning self-supervised representations for Earth Observation imagery [10.019106184219515]
  衛星画像から有意義な表現を学習し、その高次元スペクトル帯域を利用して可視色を再構成する。 我々は,土地被覆分類(BigEarthNet)と西ナイルウイルス検出(West Nile Virus detection)について実験を行い,着色が特徴抽出器を訓練するための確固とした前提条件であることを示した。
  論文  参考訳（メタデータ） (2020-06-22T10:21:36Z)

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。