論文の概要: GAN-Based Object Removal in High-Resolution Satellite Images

• arxiv url: http://arxiv.org/abs/2301.11726v1
• Date: Tue, 24 Jan 2023 02:23:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 00:08:18.015191
• Title: GAN-Based Object Removal in High-Resolution Satellite Images
• Title（参考訳）: 高解像度衛星画像におけるGANによる物体除去
• Authors: Hadi Mansourifar and Steven J. Simske
• Abstract要約: GANベースのアプローチは、2つの大きな問題のある偽画像を作成するために採用されている。 我々は条件付きGAN(CGAN)を利用して、おそらく最初のGANベースの鍛造衛星画像データセットを収集する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Satellite images often contain a significant level of sensitive data compared to ground-view images. That is why satellite images are more likely to be intentionally manipulated to hide specific objects and structures. GAN-based approaches have been employed to create forged images with two major problems: (i) adding a new object to the scene to hide a specific object or region may create unrealistic merging with surrounding areas; and (ii) using masks on color feature images has proven to be unsuccessful in GAN-based object removal. In this paper, we tackle the problem of object removal in high-resolution satellite images given a limited number of training data. Furthermore, we take advantage of conditional GANs (CGANs) to collect perhaps the first GAN-based forged satellite image data set. All forged instances were manipulated via CGANs trained by Canny Feature Images for object removal. As part of our experiments, we demonstrate that distinguishing the collected forged images from authentic (original) images is highly challenging for fake image detector models.
• Abstract（参考訳）: 衛星画像は、地上画像と比較してかなり感度の高いデータを含んでいることが多い。 そのため、衛星画像は特定の物体や構造を隠すために意図的に操作されることが多い。 GANベースのアプローチは,2つの大きな問題のある偽画像を作成するために採用されている。 (i)特定の対象又は領域を隠すために、シーンに新しいオブジェクトを追加することは、周囲の領域と非現実的な合併を生じさせる可能性がある。 (II) 色特徴画像におけるマスクの使用は, GANによる物体除去に失敗している。 本稿では,限られたトレーニングデータを用いて高解像度衛星画像における被写体除去の問題に取り組む。 さらに,我々は条件付きGAN(CGAN)を利用して,おそらく最初のGANベースの鍛造衛星画像データセットを収集する。 すべての偽造インスタンスは、オブジェクト削除のためにCanny Feature ImagesによってトレーニングされたCGANを介して操作された。 実験の一環として,偽画像検出モデルにおいて,収集した画像と固有画像との区別が極めて困難であることを示す。

関連論文リスト

• 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)
• Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery [0.0]
  最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。 本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。 未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:16:35Z)
• Splicing Detection and Localization In Satellite Imagery Using Conditional GANs [26.615687071827576]
  本稿では,衛星画像中のスプリケートされた偽物を特定するために,条件付き生成支援ネットワーク(cGAN)の利用について述べる。 本手法は,これらの検出と位置決めの目的において高い成功を収める。
  論文  参考訳（メタデータ） (2022-05-03T22:25:48Z)
• Complex Scene Image Editing by Scene Graph Comprehension [17.72638225034884]
  シーングラフ(SGC-Net)による複雑なシーン画像編集を実現するための2段階手法を提案する。 第1段階では,シーングラフを用いた関心領域予測ネットワークを訓練し,対象物体の位置を推定する。 第2段階では条件付き拡散モデルを用いて、RoI予測に基づいて画像を編集する。
  論文  参考訳（メタデータ） (2022-03-24T05:12:54Z)
• Learning to Detect Every Thing in an Open World [139.78830329914135]
  我々は、Learning to Detect Every Thing (LDET)と呼ぶ、シンプルながら驚くほど強力なデータ拡張とトレーニングスキームを提案する。 可視だがラベル付けされていない背景オブジェクトの隠蔽を避けるため、元の画像の小さな領域から採取した背景画像上に注釈付きオブジェクトを貼り付ける。 LDETは、オープンワールドのインスタンスセグメンテーションタスクにおいて、多くのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2021-12-03T03:56:06Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural Networks [2.7716102039510564]
  本論文では,深層学習技術を用いた衛星画像の航空機検出に焦点をあてる。 本稿では,航空機検出にYOLO深層学習フレームワークを用いた。 改良されたモデルは小さい、回転する、および密集した目的がリアルタイムの条件を満たす異なった未知のイメージのよい正確さそして性能を示します。
  論文  参考訳（メタデータ） (2021-04-21T18:13:16Z)
• Visiting the Invisible: Layer-by-Layer Completed Scene Decomposition [57.088328223220934]
  既存のシーン理解システムは、主にシーンの可視部分を認識し、現実世界の物理的物体の無傷な外観を無視します。 本研究では,ある場面における物体と背景の可視部分と可視部分の両方に取り組む高レベルのシーン理解システムを提案する。
  論文  参考訳（メタデータ） (2021-04-12T11:37:23Z)
• Aggregated Contextual Transformations for High-Resolution Image Inpainting [57.241749273816374]
  画像の高精細化のための拡張GANモデルAggregated Contextual-Transformation GAN (AOT-GAN)を提案する。 そこで,提案するAOTブロックの複数のレイヤを積み重ねることで,AOT-GANのジェネレータを構築する。 テクスチャ合成を改善するため,AOT-GANの識別をマスク予測タスクでトレーニングすることで強化する。
  論文  参考訳（メタデータ） (2021-04-03T15:50:17Z)
• Six-channel Image Representation for Cross-domain Object Detection [17.854940064699985]
  ディープラーニングモデルはデータ駆動であり、優れたパフォーマンスは豊富で多様なデータセットに依存する。 いくつかの画像から画像への翻訳技術は、モデルを訓練するために特定のシーンの偽データを生成するために用いられる。 3チャンネル画像とそのgan生成した偽画像に刺激を与え,データセットの6チャンネル表現を作成することを提案する。
  論文  参考訳（メタデータ） (2021-01-03T04:50:03Z)

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。