論文の概要: Overview Of Satellite Image Recognition Models
- arxiv url: http://arxiv.org/abs/2212.03716v1
- Date: Wed, 7 Dec 2022 15:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 16:34:32.576742
- Title: Overview Of Satellite Image Recognition Models
- Title(参考訳): 衛星画像認識モデルの概要
- Authors: Alexey Averkin and Sergey Yarushev
- Abstract要約: 情報源としての衛星画像認識の分野における問題点を考察し分析した。
深層学習法を比較し,既存の画像認識法を解析した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this article, the analysis of existing models of satellite image
recognition was carried out, the problems in the field of satellite image
recognition as a source of information were considered and analyzed, deep
learning methods were compared, and existing image recognition methods were
analyzed. The results obtained will be used as a basis for the prospective
development of a fire recognition model based on satellite images and the use
of recognition results as input data for a cognitive model of forecasting the
macro-economic situation based on fuzzy cognitive maps.
- Abstract(参考訳): 本稿では,既存の衛星画像認識モデルの解析を行い,情報ソースとしての衛星画像認識の分野における問題点を考察し,深層学習法を比較し,既存の画像認識法を解析した。
得られた結果は,衛星画像に基づく火災認識モデルの今後の発展と,ファジィ認知地図に基づくマクロ経済状況予測の認知モデルへの認識結果の入力データとしての利用の基礎となる。
関連論文リスト
- Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳(メタデータ) (2024-02-22T09:39:46Z) - Explainable GeoAI: Can saliency maps help interpret artificial
intelligence's learning process? An empirical study on natural feature
detection [4.52308938611108]
本稿では,GeoAIと深層学習モデルの推論行動の解釈において,一般的なサリエンシマップ生成手法とその長所と短所を比較した。
実験では、2つのGeoAI対応データセットを使用して、研究結果の一般化性を実証した。
論文 参考訳(メタデータ) (2023-03-16T21:37:29Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - Development Of A Fire Detection System On Satellite Images [0.0]
本稿では,衛星画像上での山火事認識のための深層ニューラルネットワークの畳み込みアーキテクチャの開発について論じる。
画像分類の結果をもとに,ファジィ認知マップを用いてマクロ経済状況の分析を行った。
また、衛星画像上の認識された山火事のデータを用いてファジィ認知地図に基づくマクロ経済指標の予測にハイブリッド認知モデルを用いる可能性についても検討した。
論文 参考訳(メタデータ) (2022-12-07T15:27:52Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - 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) - Canonical Saliency Maps: Decoding Deep Face Models [47.036036069156104]
そこで本研究では, 顔面モデルにサリエンシーマップを投影し, 関連する顔面領域を強調表示する新しい手法"Canonical Saliency Map"を提案する。
提案手法は, アーキテクチャに関係なく, 任意の深層モデルで使用可能な正準塩分マップの有用性を示す。
論文 参考訳(メタデータ) (2021-05-04T09:42:56Z) - Out-of-distribution detection in satellite image classification [11.479629320025671]
衛星画像解析では、テストデータの見当たらないクラスと地理的な差異が分布ミスマッチの原因となる可能性がある。
ディープラーニングベースのモデルは、トレーニングデータからそのような分布シフトを持つテストデータを受けると、予期せぬ方法で振る舞います。
遠隔センシングのための深層学習モデルの分布的不確かさを定量化するためにdirichlet prior network based modelを採用する。
論文 参考訳(メタデータ) (2021-04-09T11:11:52Z) - An application of a pseudo-parabolic modeling to texture image
recognition [0.0]
偏微分方程式モデルを用いたテクスチャ画像認識のための新しい手法を提案する。
擬似パラボリックなBuckley-Leverett方程式を用いて、デジタル画像表現のダイナミクスを提供し、時間とともに進化するそれらの画像から局所的な記述子を収集する。
論文 参考訳(メタデータ) (2021-02-09T18:08:42Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳(メタデータ) (2020-09-23T05:20:00Z)
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。