論文の概要: DDIPNet and DDIPNet+: Discriminant Deep Image Prior Networks for Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2212.10411v1
• Date: Tue, 20 Dec 2022 16:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 14:26:55.042496
• Title: DDIPNet and DDIPNet+: Discriminant Deep Image Prior Networks for Remote Sensing Image Classification
• Title（参考訳）: DDIPNetとDDIPNet+:リモートセンシング画像分類のための識別深層画像優先ネットワーク
• Authors: Daniel F. S. Santos, Rafael G. Pires, Leandro A. Passos, and Jo\~ao P. Papa
• Abstract要約: リモートセンシング画像分類の研究は、都市計画や農業といった人間の日常業務に大きな影響を及ぼす。 本稿では,画像分類のための2つの新しいディープラーニングアーキテクチャ,すなわち識別深度画像優先ネットワークと識別深度画像優先ネットワーク+を提案する。 3つのよく知られたリモートセンシング画像データセットに対して行われた実験は、リモートセンシング画像分類にディープイメージの事前利用の有効性を判断し、最先端の結果を得た。
• 参考スコア（独自算出の注目度）: 0.39146761527401425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research on remote sensing image classification significantly impacts essential human routine tasks such as urban planning and agriculture. Nowadays, the rapid advance in technology and the availability of many high-quality remote sensing images create a demand for reliable automation methods. The current paper proposes two novel deep learning-based architectures for image classification purposes, i.e., the Discriminant Deep Image Prior Network and the Discriminant Deep Image Prior Network+, which combine Deep Image Prior and Triplet Networks learning strategies. Experiments conducted over three well-known public remote sensing image datasets achieved state-of-the-art results, evidencing the effectiveness of using deep image priors for remote sensing image classification.
• Abstract（参考訳）: リモートセンシング画像分類の研究は、都市計画や農業といった人間の日常業務に大きな影響を及ぼす。 現在、技術の急速な進歩と多くの高品質なリモートセンシング画像の可用性は、信頼できる自動化方法の需要を生み出している。 本稿では,画像分類のための2つの新しい深層学習ベースアーキテクチャ,すなわち,深層画像優先学習戦略と三重項ネットワーク学習戦略を組み合わせた,識別型深層画像優先ネットワークと識別型深層画像優先ネットワーク+を提案する。 3つのよく知られたリモートセンシング画像データセットで実施した実験は、最先端の成果を達成し、リモートセンシング画像分類にディープイメージプリエントを使うことの有効性を実証した。

関連論文リスト

• Generic Knowledge Boosted Pre-training For Remote Sensing Images [46.071496675604884]
  Generic Knowledge Boosted Remote Sensing Pre-training (GeRSP)は、新しいリモートセンシング事前トレーニングフレームワークである。 GeRSPは、リモートセンシング理解タスクのために、リモートセンシングと自然なイメージから堅牢な表現を学ぶ。 本稿では,GeRSPが効果的にロバスト表現を統一的に学習できることを示し,リモートセンシングダウンストリームタスクの性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-09T15:36:07Z)
• Paint and Distill: Boosting 3D Object Detection with Semantic Passing Network [70.53093934205057]
  ライダーやカメラセンサーからの3Dオブジェクト検出タスクは、自動運転に不可欠である。 本研究では,既存のライダーベース3D検出モデルの性能向上を図るために,SPNetという新しいセマンティックパスフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-12T12:35:34Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Learning Efficient Representations for Enhanced Object Detection on Large-scene SAR Images [16.602738933183865]
  SAR(Synthetic Aperture Radar)画像のターゲットの検出と認識は難しい問題である。 近年開発されたディープラーニングアルゴリズムは,SAR画像の固有の特徴を自動的に学習することができる。 本稿では,効率的かつ堅牢なディープラーニングに基づくターゲット検出手法を提案する。
  論文  参考訳（メタデータ） (2022-01-22T03:25:24Z)
• Geographical Knowledge-driven Representation Learning for Remote Sensing Images [18.79154074365997]
  リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。 各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。 ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
  論文  参考訳（メタデータ） (2021-07-12T09:23:15Z)
• Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
  本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。 我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。 実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
  論文  参考訳（メタデータ） (2020-09-25T20:53:55Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
  本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。 リモートセンシング画像シーンの分類と調査の主な課題について論じる。 リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
  論文  参考訳（メタデータ） (2020-05-03T14:18:00Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)
• Learning Depth With Very Sparse Supervision [57.911425589947314]
  本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。 我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。 いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
  論文  参考訳（メタデータ） (2020-03-02T10:44:13Z)

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。