論文の概要: An Aligned Multi-Temporal Multi-Resolution Satellite Image Dataset for
Change Detection Research
- arxiv url: http://arxiv.org/abs/2302.12301v1
- Date: Thu, 23 Feb 2023 19:43:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 15:27:30.291468
- Title: An Aligned Multi-Temporal Multi-Resolution Satellite Image Dataset for
Change Detection Research
- Title（参考訳）: 変化検出研究のためのアライメント型マルチテンポラル・マルチリゾリューション衛星画像データセット
- Authors: Rahul Deshmukh, Constantine J. Roros, Amith Kashyap, Avinash C. Kak
- Abstract要約: 本稿では,変化検出のための多時間・多解像度衛星画像データセットについて述べる。
このデータセットは、SpaceNet-7データセットをランドサットとセンチネルの画像の時間並列スタックで拡張することで作成された。
- 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: This paper presents an aligned multi-temporal and multi-resolution satellite
image dataset for research in change detection. We expect our dataset to be
useful to researchers who want to fuse information from multiple satellites for
detecting changes on the surface of the earth that may not be fully visible in
any single satellite. The dataset we present was created by augmenting the
SpaceNet-7 dataset with temporally parallel stacks of Landsat and Sentinel
images. The SpaceNet-7 dataset consists of time-sequenced Planet images
recorded over 101 AOIs (Areas-of-Interest). In our dataset, for each of the 60
AOIs that are meant for training, we augment the Planet datacube with
temporally parallel datacubes of Landsat and Sentinel images. The temporal
alignments between the high-res Planet images, on the one hand, and the Landsat
and Sentinel images, on the other, are approximate since the temporal
resolution for the Planet images is one month -- each image being a mosaic of
the best data collected over a month. Whenever we have a choice regarding which
Landsat and Sentinel images to pair up with the Planet images, we have chosen
those that had the least cloud cover. A particularly important feature of our
dataset is that the high-res and the low-res images are spatially aligned
together with our MuRA framework presented in this paper. Foundational to the
alignment calculation is the modeling of inter-satellite misalignment errors
with polynomials as in NASA's AROP algorithm. We have named our dataset MuRA-T
for the MuRA framework that is used for aligning the cross-satellite images and
"T" for the temporal dimension in the dataset.
- Abstract（参考訳）: 本稿では,変化検出のための多時間・多解像度衛星画像データセットについて述べる。
当社のデータセットは、複数の衛星から情報を融合して、単一の衛星で完全には見えない地球表面の変化を検出する研究者にとって有用であると期待しています。
私たちが提示したデータセットは、LandsatとSentinelの画像の時間並列スタックでSpaceNet-7データセットを拡張することで作成されました。
SpaceNet-7データセットは、101AOI(Areas-of-Interest)で記録された時系列のプラネット画像で構成されている。
我々のデータセットでは、トレーニングを意図した60個のAOIに対して、ランドサットとセンチネルの画像の時間的に平行なデータキューブでPlanetデータキューブを拡張する。
一方、高解像度のプラネット画像とランドサット画像とセンチネル画像の時間的アライメントは、プラネット画像の時間的解像度が1ヶ月であるため、それぞれ1ヶ月にわたって収集された最高のデータのモザイクである。
ランドサットとセンチネルの画像が惑星の画像と組み合わせられるかという選択肢があるときはいつでも、最も雲の少ない画像を選択します。
データセットの特に重要な特徴は、高精細度画像と低精細画像が、この論文で提示されたmuraフレームワークと空間的に整合していることです。
アライメント計算の基礎は、nasaのaropアルゴリズムのような多項式による衛星間ミスアライメント誤差のモデル化である。
我々は、データセットの時間次元のクロスサテライト画像の整列に使用されるMuRAフレームワークと、データセットの時間次元の"T"について、データセット MuRA-T を命名した。
関連論文リスト
- Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。
1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。
もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
論文 参考訳（メタデータ） (2024-10-01T07:50:37Z) - SeeFar: Satellite Agnostic Multi-Resolution Dataset for Geospatial Foundation Models [0.0873811641236639]
SeeFar(シーファー)は、公共の衛星と商用衛星の多解像度衛星画像集である。
衛星タイプに縛られずに地理空間基盤モデルのトレーニングのために,このデータセットをキュレートした。
論文 参考訳（メタデータ） (2024-06-10T20:24:14Z) - Getting it Right: Improving Spatial Consistency in Text-to-Image Models [103.52640413616436]
現在のテキスト・トゥ・イメージ(T2I)モデルにおける重要な欠点の1つは、テキスト・プロンプトで指定された空間的関係を忠実に追従するイメージを一貫して生成できないことである。
4つの広く使用されている視覚データセットから600万の画像を再キャプチャすることで、空間的に焦点を絞った最初の大規模データセットであるSPRIGHTを作成します。
対象物を多数含む画像のトレーニングは,500枚の画像の微調整により,T2I-CompBenchの空間スコア0.2133の最先端結果を含む空間的整合性を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2024-04-01T15:55:25Z) - 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) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - 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) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic
Change Segmentation [43.72597365517224]
本稿では,75個の関心領域を毎日,多スペクトルで観測するDynamicEarthNetデータセットを提案する。
これらの観察は、7つの土地利用と土地被覆クラスからなる画素単位の月間セマンティックセマンティックセグメンテーションラベルと組み合わせられる。
論文 参考訳（メタデータ） (2022-03-23T17:22:22Z) - 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) - Attentive Weakly Supervised land cover mapping for object-based
satellite image time series data with spatial interpretation [4.549831511476249]
本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。
私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
論文 参考訳（メタデータ） (2020-04-30T10:23:12Z)
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。