論文の概要: ResAttUNet: Detecting Marine Debris using an Attention activated Residual UNet

• arxiv url: http://arxiv.org/abs/2210.08506v1
• Date: Sun, 16 Oct 2022 10:59:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:57:27.025677
• Title: ResAttUNet: Detecting Marine Debris using an Attention activated Residual UNet
• Title（参考訳）: resattunet:注意活性化型残留unetを用いた海洋ゴミの検出
• Authors: Azhan Mohammed
• Abstract要約: 本稿では,真理田が導入した既存の最先端技術よりも優れたアテンションベースセグメンテーション手法を提案する。 得られた結果は、リモートセンシング画像を用いた深層学習に関するさらなる研究の道を開くことが期待されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, a significant amount of research has been done in field of Remote Sensing with the use of deep learning techniques. The introduction of Marine Debris Archive (MARIDA), an open-source dataset with benchmark results, for marine debris detection opened new pathways to use deep learning techniques for the task of debris detection and segmentation. This paper introduces a novel attention based segmentation technique that outperforms the existing state-of-the-art results introduced with MARIDA. The paper presents a novel spatial aware encoder and decoder architecture to maintain the contextual information and structure of sparse ground truth patches present in the images. The attained results are expected to pave the path for further research involving deep learning using remote sensing images. The code is available at https://github.com/sheikhazhanmohammed/SADMA.git
• Abstract（参考訳）: 現在,深層学習技術を用いたリモートセンシングの分野では,かなりの研究が行われている。 海洋破片検出のためのベンチマーク結果を備えたオープンソースのデータセットであるMarine Debris Archive (MARIDA)の導入により、深層学習技術を用いて破片の検出とセグメンテーションを行う新たな経路が開かれた。 本稿では,真理田が導入した最新技術に匹敵する注意に基づくセグメンテーション手法を提案する。 そこで本稿では,空間認識エンコーダとデコーダを新たに構築し,画像に存在する不明瞭な基底的真理パッチの文脈情報と構造を維持する。 得られた結果は、リモートセンシング画像を用いた深層学習に関するさらなる研究の道を開くことが期待されている。 コードはhttps://github.com/sheikhazhanmohammed/sadma.gitで入手できる。

関連論文リスト

• Intrusion Detection: A Deep Learning Approach [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)モジュールとLong Short Term Memory(LSTM)モジュール,SVM(Support Vector Machine)分類機能を備えた侵入検出システムを提案する。 この分析に続いて、従来の機械学習技術と深層学習手法を比較し、さらに探索可能な領域を強調した。
  論文  参考訳（メタデータ） (2023-06-13T07:58:40Z)
• RADAM: Texture Recognition through Randomized Aggregated Encoding of Deep Activation Maps [12.35895883721336]
  textbfAggregated textbfDeep textbfActivation textbfMaps (RADAM) の textbfRandom 符号化法を提案する。 RADAMはバックボーンを変更することなくリッチなテクスチャ表現を抽出する。 以上の結果から,事前学習したバックボーンは,学習した表現がよりうまく符号化された場合,テクスチャ認識のための微調整を必要としない可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-08T13:09:03Z)
• Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
  近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった 本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。 画像異常検出のオープニング課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2023-01-27T03:18:09Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Deep Texture-Aware Features for Camouflaged Object Detection [69.84122372541506]
  本稿では, テクスチャ認識モジュールを定式化し, 深層畳み込みニューラルネットワークにおけるテクスチャ認識の特徴を学習する。 我々は,キャモフラージュされた物体検出のためのベンチマークデータセット上で,定性的かつ定量的にネットワークを評価した。
  論文  参考訳（メタデータ） (2021-02-05T04:38:32Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Building Robust Industrial Applicable Object Detection Models Using Transfer Learning and Single Pass Deep Learning Architectures [1.1816942730023883]
  我々は、オブジェクト検出のタスク専用の深層畳み込みニューラルネットワークが、産業指向のオブジェクト検出パイプラインをどのように改善するかを探求する。 地域提案や分類,確率推定をひとつの実行で統合したディープラーニングアーキテクチャを用いて,リアルタイムのパフォーマンス向上を目指す。 本稿では,これらのアルゴリズムを2つの産業関連アプリケーションに適用し,その1つはアイトラッキングデータにおけるプロモーションボードの検出と,もう1つは拡張現実広告のための倉庫製品のパッケージの検出と認識である。
  論文  参考訳（メタデータ） (2020-07-09T09:50:45Z)
• Deep Learning for MIR Tutorial [68.8204255655161]
  このチュートリアルは、広範囲にわたるMIR関連ディープラーニングアプローチをカバーしている。 textbfConvolutional Neural Networksは現在、ディープラーニングベースのオーディオ検索のためのデファクトスタンダードである。 textbfSiamese Networksは音楽類似性検索に特有な音声表現と距離関数の学習に有効であることが示されている。
  論文  参考訳（メタデータ） (2020-01-15T12:23:17Z)

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。