論文の概要: Effectivity of super resolution convolutional neural network for the enhancement of land cover classification from medium resolution satellite images

• arxiv url: http://arxiv.org/abs/2207.02301v1
• Date: Tue, 5 Jul 2022 20:48:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 04:44:23.967004
• Title: Effectivity of super resolution convolutional neural network for the enhancement of land cover classification from medium resolution satellite images
• Title（参考訳）: 中高分解能衛星画像からの土地被覆分類向上のための超解像畳み込みニューラルネットワークの効果
• Authors: Pritom Bose, Debolina Halder, Oliur Rahman, Turash Haque Pial
• Abstract要約: 超解像畳み込みニューラルネットワーク(SRCNN)は、確立された認識方法の下でも、画素の誤分類の可能性を小さくする。 本研究では,サンダーバンの異なる領域のLANDSAT-7画像と,バイリンarvolution,バイコビック,SRCNNによるアップスケールバージョンについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the modern world, satellite images play a key role in forest management and degradation monitoring. For a precise quantification of forest land cover changes, the availability of spatially fine resolution data is a necessity. Since 1972, NASAs LANDSAT Satellites are providing terrestrial images covering every corner of the earth, which have been proved to be a highly useful resource for terrestrial change analysis and have been used in numerous other sectors. However, freely accessible satellite images are, generally, of medium to low resolution which is a major hindrance to the precision of the analysis. Hence, we performed a comprehensive study to prove our point that, enhancement of resolution by Super-Resolution Convolutional Neural Network (SRCNN) will lessen the chance of misclassification of pixels, even under the established recognition methods. We tested the method on original LANDSAT-7 images of different regions of Sundarbans and their upscaled versions which were produced by bilinear interpolation, bicubic interpolation, and SRCNN respectively and it was discovered that SRCNN outperforms the others by a significant amount.
• Abstract（参考訳）: 現代の世界では、衛星画像は森林管理と劣化モニタリングにおいて重要な役割を果たす。 森林被覆の変化を正確に定量化するためには,空間分解能データの利用が不可欠である。 1972年以降、nasaのランドサット衛星は地球の全角をカバーする地上画像を提供しており、地球の変化分析に非常に有用な資源であることが証明され、他の多くの分野で使用されている。 しかし、自由アクセス可能な衛星画像は一般に、解析の精度に大きな障害となる中から低解像度のものである。 そこで我々は,超解像畳み込みニューラルネットワーク(SRCNN)による解像度向上が,確立された認識手法の下でも,画素の誤分類の可能性を減少させるという,総合的な研究を行った。 本研究では,スンダルバンの異なる領域のランドサット7画像と,バイリニア補間法,ビキュービック補間法,srcnn法で生成した拡張版について実験を行い,srcnnが他の領域をかなり上回っていることを発見した。

関連論文リスト

• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Convolutional Neural Processes for Inpainting Satellite Images [56.032183666893246]
  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。
  論文  参考訳（メタデータ） (2022-05-24T23:29:04Z)
• 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)
• Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
  地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。 我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
  論文  参考訳（メタデータ） (2022-03-26T20:10:38Z)
• Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution [0.5277024349608835]
  我々はMODIS LST 単一画像の超高解像度化のための深層学習に基づくアルゴリズム、Multi-Residual U-Netを導入する。 提案するネットワークはU-Netアーキテクチャの修正版であり,1画素あたり1Kmから250mまでの入力LST画像を超解き放つことを目的としている。
  論文  参考訳（メタデータ） (2022-02-22T09:12:40Z)
• Fusformer: A Transformer-based Fusion Approach for Hyperspectral Image Super-resolution [9.022005574190182]
  低分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させるトランスフォーマーに基づくネットワークを設計する。 LR-HSIは主スペクトル構造を持つため、ネットワークは空間的詳細推定に重点を置いている。 様々な実験と品質指標は、他の最先端手法と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2021-09-05T14:00:34Z)
• Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional Pixel Synthesis [66.50914391487747]
  高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。 我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-22T02:16:24Z)
• Unsupervised Remote Sensing Super-Resolution via Migration Image Prior [12.728430583409997]
  低解像度・高分解能の画像ペアを使わずに超解像タスクを実現する新しい非監視学習フレームワーク「MIP」を提案する。 本論文では,MIPが定量的および定性的に最先端の手法よりも有意な改善を達成できることを示した。
  論文  参考訳（メタデータ） (2021-05-08T03:29:35Z)
• Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
  本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。 低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。 本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
  論文  参考訳（メタデータ） (2020-08-03T13:55:39Z)
• HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery [55.253395881190436]
  MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。 これは、地球上の人間の影響を衛星で観測する上で重要である。 我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-02-15T22:17:47Z)

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。