論文の概要: MM811 Project Report: Cloud Detection and Removal in Satellite Images
- arxiv url: http://arxiv.org/abs/2212.11369v1
- Date: Wed, 21 Dec 2022 21:14:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:17:27.189147
- Title: MM811 Project Report: Cloud Detection and Removal in Satellite Images
- Title(参考訳): MM811プロジェクト報告:衛星画像における雲の検出と除去
- Authors: Dale Chen-Song, Erfan Khalaji, Vaishali Rani
- Abstract要約: 我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。
従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。
このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: For satellite images, the presence of clouds presents a problem as clouds
obscure more than half to two-thirds of the ground information. This problem
causes many issues for reliability in a noise-free environment to communicate
data and other applications that need seamless monitoring. Removing the clouds
from the images while keeping the background pixels intact can help address the
mentioned issues. Recently, deep learning methods have become popular for
researching cloud removal by demonstrating promising results, among which
Generative Adversarial Networks (GAN) have shown considerably better
performance. In this project, we aim to address cloud removal from satellite
images using AttentionGAN and then compare our results by reproducing the
results obtained using traditional GANs and auto-encoders. We use RICE dataset.
The outcome of this project can be used to develop applications that require
cloud-free satellite images. Moreover, our results could be helpful for making
further research improvements.
- Abstract(参考訳): 衛星画像では、雲の存在が問題となり、地上情報の3分の2以上を雲が隠している。
この問題は、シームレスな監視を必要とするデータやその他のアプリケーションと通信するためのノイズのない環境での信頼性に関する多くの問題を引き起こす。
背景のピクセルをそのままにして画像から雲を取り除くことは、前述の問題に対処するのに役立ちます。
近年,クラウド除去の研究において,gan(generative adversarial network)が優れた性能を示す有望な結果を示すことにより,ディープラーニング手法が普及している。
本研究では,衛星画像からの雲除去に attentiongan を用いて対処し,従来のgan とオートエンコーダを用いて得られた結果を再現して比較する。
RICEデータセットを使用します。
このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
さらに,本研究はさらなる研究改善に役立つ可能性がある。
関連論文リスト
- DiffusionSat: A Generative Foundation Model for Satellite Imagery [66.0062252900165]
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) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳(メタデータ) (2022-10-27T01:25:57Z) - Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery [41.40522618945897]
我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
論文 参考訳(メタデータ) (2022-06-06T18:53:19Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - Cloud Removal from Satellite Images [0.6388940465023902]
センチネルハブを用いたクラウド検出技術について分析を行った。
また,空間的注意生成対向ネットワークを導入し,生成画像の品質を従来に比べて向上させた。
論文 参考訳(メタデータ) (2021-12-23T07:25:19Z) - Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。
Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
論文 参考訳(メタデータ) (2021-06-23T08:15:01Z) - Seeing Through Clouds in Satellite Images [14.84582204034532]
本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。
我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における隠蔽領域の再構成を支援する。
論文 参考訳(メタデータ) (2021-06-15T20:01:27Z) - Cloud removal in remote sensing images using generative adversarial
networks and SAR-to-optical image translation [0.618778092044887]
雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。
本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。
第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
論文 参考訳(メタデータ) (2020-12-22T17:19:14Z) - Cloud Removal for Remote Sensing Imagery via Spatial Attention
Generative Adversarial Network [0.9746724603067647]
リモートセンシング画像雲除去の課題を解決するため,空間注意生成敵ネットワーク (SpA GAN) というモデルを提案する。
SpA GANは人間の視覚機構を模倣し、局所的な空間的注意を伴って雲の領域を認識し、焦点を合わせる。
論文 参考訳(メタデータ) (2020-09-28T02:13:23Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-06-06T02:46:39Z) - ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes [93.82668222075128]
RGB-Dシーンに対するImVoteNetと呼ばれる3次元検出アーキテクチャを提案する。
ImVoteNetは、画像に2D票、ポイントクラウドに3D票を投じることに基づいている。
挑戦的なSUN RGB-Dデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-01-29T05:09:28Z)
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。