Fugu-MT 論文翻訳(概要): Towards Transformer-based Homogenization of Satellite Imagery for Landsat-8 and Sentinel-2

論文の概要: Towards Transformer-based Homogenization of Satellite Imagery for Landsat-8 and Sentinel-2

arxiv url: http://arxiv.org/abs/2210.07654v1
Date: Fri, 14 Oct 2022 09:13:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 16:07:15.585299
Title: Towards Transformer-based Homogenization of Satellite Imagery for Landsat-8 and Sentinel-2
Title（参考訳）: トランスフォーマーによるランドサット8とセンチネル2の衛星画像の均質化に向けて
Authors: Venkatesh Thirugnana Sambandham, Konstantin Kirchheim, Sayan Mukhopadhaya, Frank Ortmeier
Abstract要約: Landsat-8(NASA)とSentinel-2(ESA)は、公開データを提供する2つの著名なマルチスペクトルイメージング衛星プロジェクトである。この研究は、両方の衛星プロジェクトから観測されるスペクトルと空間の差を減らすために、トランスフォーマーベースのモデルを使用する可能性について、一目でわかる。
参考スコア（独自算出の注目度）: 1.4699455652461728
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Landsat-8 (NASA) and Sentinel-2 (ESA) are two prominent multi-spectral imaging satellite projects that provide publicly available data. The multi-spectral imaging sensors of the satellites capture images of the earth's surface in the visible and infrared region of the electromagnetic spectrum. Since the majority of the earth's surface is constantly covered with clouds, which are not transparent at these wavelengths, many images do not provide much information. To increase the temporal availability of cloud-free images of a certain area, one can combine the observations from multiple sources. However, the sensors of satellites might differ in their properties, making the images incompatible. This work provides a first glance at the possibility of using a transformer-based model to reduce the spectral and spatial differences between observations from both satellite projects. We compare the results to a model based on a fully convolutional UNet architecture. Somewhat surprisingly, we find that, while deep models outperform classical approaches, the UNet significantly outperforms the transformer in our experiments.
Abstract（参考訳）: Landsat-8(NASA)とSentinel-2(ESA)は、公開データを提供する2つの著名なマルチスペクトルイメージング衛星プロジェクトである。衛星のマルチスペクトルイメージングセンサーは、電磁スペクトルの可視領域と赤外線領域の地球表面の画像を取得する。地球の表面の大部分は常に雲で覆われており、これらの波長では透明ではないため、多くの画像は多くの情報を提供していない。特定の領域の雲のない画像の時間的可用性を高めるために、複数のソースからの観測を組み合わせることができる。しかし、衛星のセンサーは特性が異なる可能性があるため、画像は互換性がない。この研究は、トランスフォーマーベースのモデルを使用して、両方の衛星プロジェクトからの観測におけるスペクトルと空間の差を減らす可能性を初めて見ていく。完全に畳み込みされたUNetアーキテクチャに基づくモデルと比較する。やや意外なことに、深層モデルは古典的なアプローチを上回っているが、unetは実験でトランスフォーマーを大きく上回っている。

関連論文リスト

Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。 1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
論文参考訳（メタデータ） (2024-10-01T07:50:37Z)
Detection of Moving Objects in Earth Observation Satellite Images [0.0]
衛星画像の特定のアーカイブにおける移動物体の検出と速度測定の可能性を評価する。その結果,一般的な輸送車両,飛行機,車,ボートの移動を検知し,測定できることが示唆された。
論文参考訳（メタデータ） (2024-05-18T20:55:49Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
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)
Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文参考訳（メタデータ） (2023-08-31T16:26:17Z)
Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文参考訳（メタデータ） (2023-06-06T21:27:08Z)
Deep Learning Models for River Classification at Sub-Meter Resolutions from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文参考訳（メタデータ） (2022-12-27T20:56:34Z)
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)
Big Plastic Masses Detection using Sentinel 2 Images [91.3755431537592]
このコミュニケーションは、地球観測衛星システムを用いて、海や海におけるプラスチック(海洋ゴミ)の大きな塊の検出に関する予備的な研究を記述している。
論文参考訳（メタデータ） (2021-03-17T10:45:33Z)
Spectral Synthesis for Satellite-to-Satellite Translation [6.266622997342922]
マルチスペクトルセンサーを搭載した地球観測衛星は、大気、陸、海洋の物理的および生物学的状態を監視するために広く利用されている。これらの衛星は、地球上の異なるバンテージポイントを持ち、異なるスペクトルイメージングバンドを持ち、互いに一貫性のない画像を生み出す。我々は、部分ラベルを用いた教師なし画像-画像変換問題として、マルチスペクトルセンサの合成スペクトル画像を生成する問題に取り組む。
論文参考訳（メタデータ） (2020-10-12T21:36:39Z)
Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V images for Cloud Detection [1.5828697880068703]
同様の特徴を持つ光学センサーを搭載した地球観測衛星の数は、常に増え続けている。抽出された放射能の差は精度を著しく低下させ、センサー間の知識と情報共有を損なう。本稿では,2つの衛星センサ間の画像の統計的差異を低減し,転送学習モデルの性能を向上させるための領域適応を提案する。
論文参考訳（メタデータ） (2020-06-10T16:16:01Z)

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。