論文の概要: Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR Image Retrieval

• arxiv url: http://arxiv.org/abs/2209.15034v1
• Date: Thu, 29 Sep 2022 18:17:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 14:21:14.525828
• Title: Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR Image Retrieval
• Title（参考訳）: 海洋SAR画像検索のためのサブアパーチャ分解による教師なし学習
• Authors: Nicolae-C\u{a}t\u{a}lin Ristea, Andrei Anghel, Mihai Datcu, Bertrand Chapron
• Abstract要約: サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。 ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 31.974530072369753
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Spaceborne synthetic aperture radar (SAR) can provide accurate images of the ocean surface roughness day-or-night in nearly all weather conditions, being an unique asset for many geophysical applications. Considering the huge amount of data daily acquired by satellites, automated techniques for physical features extraction are needed. Even if supervised deep learning methods attain state-of-the-art results, they require great amount of labeled data, which are difficult and excessively expensive to acquire for ocean SAR imagery. To this end, we use the subaperture decomposition (SD) algorithm to enhance the unsupervised learning retrieval on the ocean surface, empowering ocean researchers to search into large ocean databases. We empirically prove that SD improve the retrieval precision with over 20% for an unsupervised transformer auto-encoder network. Moreover, we show that SD brings important performance boost when Doppler centroid images are used as input data, leading the way to new unsupervised physics guided retrieval algorithms.
• Abstract（参考訳）: 衛星搭載合成開口レーダー(SAR)は、ほぼ全ての気象条件下で、海面粗さの正確な画像を提供することができる。 衛星が毎日取得する膨大なデータを考慮すると、物理的特徴抽出のための自動化技術が必要である。 教師付きディープラーニング手法が最先端の結果を得たとしても、大量のラベル付きデータが必要であり、海洋SAR画像の取得には困難かつ過度にコストがかかる。 この目的のために,海底分解 (subaperture decomposition, sd) アルゴリズムを用いて海面の教師なし学習検索を強化し,海洋研究者が大規模な海洋データベースを探索できるようにする。 我々は,教師なし自動エンコーダネットワークの検索精度を20%以上向上させることを実証的に証明した。 さらに,ドップラーセンタロイド画像が入力データとして使用される場合,sdは重要な性能向上をもたらすことを示し,教師なし物理誘導検索アルゴリズムへの道筋を導いた。

関連論文リスト

• Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
  内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。 光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。 本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-06-18T21:09:56Z)
• 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)
• Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes [0.8208704543835964]
  我々は,地球規模で4つの地すべりイベントに対して,事前処理,機械学習可能なSARデータキューブを提供する。 教師付き深層学習(DL)によるSAR地すべり検出の可能性について検討する。 DLモデルは、SARデータから地すべりを検知し、精度-リコール曲線0.7を超えるエリアを達成できる。
  論文  参考訳（メタデータ） (2022-11-05T10:31:57Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Guided deep learning by subaperture decomposition: ocean patterns from SAR imagery [36.922471841100176]
  センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。 本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
  論文  参考訳（メタデータ） (2022-04-09T09:49:05Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark Dataset and Baseline [48.69396457721544]
  深度写像スーパーリゾリューション(SR)の研究を促進するために,RGB-D-Dという大規模データセットを構築した。 本稿では、RGB画像から高周波成分を適応的に分解して深度マップSRを導出する高速深度マップ超解像(FDSR)ベースラインを提供する。 実世界のLR深度マップでは、より明確な境界を持つより正確なHR深度マップを作成でき、ある程度の精度で深度値誤差を補正できる。
  論文  参考訳（メタデータ） (2021-04-13T13:27:26Z)
• 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)
• Boosting ship detection in SAR images with complementary pretraining techniques [14.34438598597809]
  本研究では,地球観測中の船舶の特性を大規模空中画像データからsar画像に伝達する光船検出器(osd)プリトレーニング手法を提案する。 また, 光画像からSAR画像へ, 共通表現学習により多量のテクスチャーを転送する, 光-SARマッチング(OSM)プリトレーニング手法を提案する。 提案手法は、2020年のGaofenチャレンジでSAR画像の船舶検出第6位を獲得しました。
  論文  参考訳（メタデータ） (2021-03-15T10:03:04Z)
• Channel Attention based Iterative Residual Learning for Depth Map Super-Resolution [58.626803922196146]
  我々は、合成データセットで訓練されたDSRモデルは制限的であり、実世界のDSRタスクを扱うのに有効ではないと論じる。 我々は、異なる深度センサの現実世界の劣化に対処するために2つの貢献をしている。 4つのモジュールからなる実世界のDSRのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-02T09:12:23Z)

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。