論文の概要: Deep Learning of Radiative Atmospheric Transfer with an Autoencoder
- arxiv url: http://arxiv.org/abs/2207.10650v1
- Date: Thu, 21 Jul 2022 17:50:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 13:52:27.517587
- Title: Deep Learning of Radiative Atmospheric Transfer with an Autoencoder
- Title（参考訳）: オートエンコーダによる放射性大気移動の深層学習
- Authors: Abigail Basener, Bill Basener
- Abstract要約: 我々は、大気の影響を「ノイズ」として扱う自己エンコーダと似た自己エンコーダを作成し、地上反射をスペクトル当たりの真理として扱う。
このプロセスは理想的には、ハイパースペクトル画像における大気効果と地上反射率を分離するオートエンコーダを作成することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As electro-optical energy from the sun propagates through the atmosphere it
is affected by radiative transfer effects including absorption, emission, and
scattering. Modeling these affects is essential for scientific remote sensing
measurements of the earth and atmosphere. For example, hyperspectral imagery is
a form of digital imagery collected with many, often hundreds, of wavelengths
of light in pixel. The amount of light measured at the sensor is the result of
emitted sunlight, atmospheric radiative transfer, and the reflectance off the
materials on the ground, all of which vary per wavelength resulting from
multiple physical phenomena. Therefore measurements of the ground spectra or
atmospheric constituents requires separating these different contributions per
wavelength. In this paper, we create an autoencoder similar to denoising
autoencoders treating the atmospheric affects as 'noise' and ground reflectance
as truth per spectrum. We generate hundreds of thousands of training samples by
taking random samples of spectra from laboratory measurements and adding
atmospheric affects using physics-based modelling via MODTRAN
(http://modtran.spectral.com/modtran\_home) by varying atmospheric inputs. This
process ideally could create an autoencoder that would separate atmospheric
effects and ground reflectance in hyperspectral imagery, a process called
atmospheric compensation which is difficult and time-consuming requiring a
combination of heuristic approximations, estimates of physical quantities, and
physical modelling. While the accuracy of our method is not as good as other
methods in the field, this an important first step in applying the growing
field of deep learning of physical principles to atmospheric compensation in
hyperspectral imagery and remote sensing.
- Abstract（参考訳）: 太陽からの電気光学エネルギーは大気中を伝播するので、吸収、放出、散乱などの放射伝達効果に影響される。
これらの影響のモデル化は、地球と大気のリモートセンシングに不可欠である。
例えば、ハイパースペクトル画像(hyperspectral images)は、ピクセル内の多くの、しばしば数百の光の波長で収集されるデジタル画像の一形態である。
センサーで測定された光の量は、放射された日光、大気の放射移動、地上の物質からの反射によるものであり、これらは全て、複数の物理的現象によって生じる波長ごとに変化する。
そのため、地上スペクトルまたは大気成分の測定は、波長ごとにこれらの異なる寄与を分離する必要がある。
本稿では,大気の影響を「ノイズ」,地上反射をスペクトル当たりの真理として扱う自動エンコーダと同様のオートエンコーダを作成する。
実験室の測定から無作為なスペクトルのサンプルを採取し,MODTRAN (http://modtran.spectral.com/modtran\_home) を用いた物理モデルを用いて大気の影響を付加することにより,数十万のトレーニングサンプルを生成する。
このプロセスは、超スペクトル画像における大気効果と地上反射を分離するオートエンコーダを作成するのが理想的であり、これは、ヒューリスティック近似、物理量の推定、物理モデリングの組合せを必要とする、難易度と時間を要する大気補償と呼ばれるプロセスである。
本手法の精度はこの分野の他の手法ほど良くないが,ハイパースペクトル画像とリモートセンシングにおいて,物理原理の深層学習の分野を大気補償に適用する上で重要な第一歩となる。
関連論文リスト
- Data-Driven Invertible Neural Surrogates of Atmospheric Transmission [2.6938549839852524]
本稿では,スペクトル場から大気透過プロファイルを推定するための枠組みを提案する。
物理に基づくシミュレータが自動的に調整され、観測されたデータをモデル化するための代理的な大気プロファイルが構築される。
論文 参考訳（メタデータ） (2024-04-30T14:55:57Z) - Harnessing Optical Imaging Limit through Atmospheric Scattering Media [5.435475238868005]
本稿では,対象特性,大気効果,イメージングシステム,デジタル処理,視覚知覚などのコントリビューションを包含した包括的モデルを提案する。
このモデルでは、従来の画像記録、処理、知覚の有効性を再評価することができる。
この研究の直接の応用は、マルチフレーム平均化によるノイズ低減を伴う1.2倍の画像範囲の拡張である。
論文 参考訳（メタデータ） (2024-04-23T14:31:44Z) - Absorption-Based, Passive Range Imaging from Hyperspectral Thermal
Measurements [6.719751155411075]
環境熱放射の大気吸収に基づく新しい受動レンジイメージング手法を提案する。
15mから150mの範囲の特徴は回復され、不整合ライダーデータとの質的整合性が良好である。
論文 参考訳（メタデータ） (2023-08-10T18:35:22Z) - Multi-Space Neural Radiance Fields [74.46513422075438]
既存のニューラルレージアンス場(NeRF)法は反射物体の存在に悩まされている。
並列部分空間における特徴場の群を用いてシーンを表現するマルチスペースニューラルレイディアンス場(MS-NeRF)を提案する。
提案手法は,高品質シーンのレンダリングにおいて,既存の単一空間NeRF法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-07T13:11:07Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳（メタデータ） (2022-08-24T03:13:04Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - Augmentation of Atmospheric Turbulence Effects on Thermal Adapted Object
Detection Models [0.0]
大気の乱流は、長距離観測システムの画質に劣化効果がある。
我々は、幾何学的乱流モデルを用いて、中規模熱画像集合上での乱流効果をシミュレートする。
本稿では,オブジェクト検出器の性能向上のためのデータ拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-04-19T08:40:00Z) - Processing Images from Multiple IACTs in the TAIGA Experiment with
Convolutional Neural Networks [62.997667081978825]
我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。
この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
論文 参考訳（メタデータ） (2021-12-31T10:49:11Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly
using Machine Learning [20.247229396526855]
現在の技術キャリブレーション技術は周期的観測ロケットに依存している。
畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。
以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
論文 参考訳（メタデータ） (2020-12-27T22:43:37Z) - Cloth in the Wind: A Case Study of Physical Measurement through
Simulation [50.31424339972478]
実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。
私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。
この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
論文 参考訳（メタデータ） (2020-03-09T21:32:23Z)
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。