Fugu-MT 論文翻訳(概要): Intermediate and Future Frame Prediction of Geostationary Satellite Imagery With Warp and Refine Network

論文の概要: Intermediate and Future Frame Prediction of Geostationary Satellite Imagery With Warp and Refine Network

arxiv url: http://arxiv.org/abs/2303.04405v1
Date: Wed, 8 Mar 2023 06:53:42 GMT
ステータス: 処理完了
システム内更新日: 2023-03-09 14:49:16.669318
Title: Intermediate and Future Frame Prediction of Geostationary Satellite Imagery With Warp and Refine Network
Title（参考訳）: ワープ・リファインネットワークを用いた静止衛星画像の中間・将来のフレーム予測
Authors: Minseok Seo, Yeji Choi, Hyungon Ry, Heesun Park, Hyungkun Bae, Hyesook Lee, Wanseok Seo
Abstract要約: 静止衛星画像は、気候や天気予報、自然エネルギー資源の計画、極端な気象事象の予測に応用されている。高精度かつ正確な予測のためには、静止衛星画像の高分解能と時間分解能が重要である。我々はこの問題を解決するためにワープ・アンド・フィニッシュ・ネットワーク(WR-Net)を提案した。 WR-Netは、光流ワープ成分とワープ画像精製成分とに分けられる。
参考スコア（独自算出の注目度）: 4.393292642453663
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Geostationary satellite imagery has applications in climate and weather forecasting, planning natural energy resources, and predicting extreme weather events. For precise and accurate prediction, higher spatial and temporal resolution of geostationary satellite imagery is important. Although recent geostationary satellite resolution has improved, the long-term analysis of climate applications is limited to using multiple satellites from the past to the present due to the different resolutions. To solve this problem, we proposed warp and refine network (WR-Net). WR-Net is divided into an optical flow warp component and a warp image refinement component. We used the TV-L1 algorithm instead of deep learning-based approaches to extract the optical flow warp component. The deep-learning-based model is trained on the human-centric view of the RGB channel and does not work on geostationary satellites, which is gray-scale one-channel imagery. The refinement network refines the warped image through a multi-temporal fusion layer. We evaluated WR-Net by interpolation of temporal resolution at 4 min intervals to 2 min intervals in large-scale GK2A geostationary meteorological satellite imagery. Furthermore, we applied WR-Net to the future frame prediction task and showed that the explicit use of optical flow can help future frame prediction.
Abstract（参考訳）: 静止衛星画像は気候や天気予報、自然エネルギー資源の計画、極端な気象事象の予測に応用されている。高精度な予測には,静止衛星画像の高分解能と時間分解能が重要である。最近の静止衛星解像度は改善されているが、気候の長期的分析は、様々な解像度のために過去から現在までの複数の衛星の使用に限定されている。そこで我々はwarp and refine network (wr-net) を提案する。 WR-Netは、光流ワープ成分とワープ画像精製成分とに分けられる。光フローワープ成分を抽出するために,深層学習に基づくアプローチではなく,tv-l1アルゴリズムを用いた。ディープラーニングベースのモデルは、rgbチャネルの人間中心の視点で訓練されており、グレースケールの1チャンネルイメージである静止衛星では動作しない。精細ネットワークは、多時間融合層を介して歪んだ画像を精細化する。我々は,大規模GK2A測地衛星画像において,時間分解能を4分間隔から2分間隔に補間することでWR-Netを評価した。さらに、WR-Netを将来のフレーム予測タスクに適用し、光フローの明示的な利用が将来のフレーム予測に役立つことを示した。

関連論文リスト

A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations [8.321173617981387]
熱帯性サイクロンの位置と強度を推定することは、破滅的な気象事象を予測する上で重要な意味を持つ。サイクロンの検出と強度推定の現在のプロセスは、時間を要する物理に基づくシミュレーション研究を含む。本研究の目的は、画像入力とデータ駆動アプローチのみを用いて、サイクロンの検出、強度推定および関連する側面に焦点を当てることである。
論文参考訳（メタデータ） (2024-09-25T14:52:04Z)
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)
WeatherFusionNet: Predicting Precipitation from Satellite Data [0.0]
低分解能衛星放射率画像から高分解能降水を予測することを目的としている。 WeatherFusionNetと呼ばれるニューラルネットワークは、前もって8時間までの激しい雨を予測するために使用されている。私たちはNeurIPS 2022 Weather4Cast Coreチャレンジで1位を獲得しました。
論文参考訳（メタデータ） (2022-11-30T08:49:13Z)
Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion [5.125401106179782]
気象衛星画像の正確な予測は特に2時間先まで予測することが重要である。本稿では,現在予測されている問題に対処するため,深層多スケール核融合法を提案する。 FY-4A気象衛星データに基づく実験により,提案手法が現実的な予測画像を生成することを示す。
論文参考訳（メタデータ） (2022-09-19T16:00:17Z)
STIP: A SpatioTemporal Information-Preserving and Perception-Augmented Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文参考訳（メタデータ） (2022-06-09T09:49:04Z)
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)
A Deep Learning Ensemble Framework for Off-Nadir Geocentric Pose Prediction [0.0]
現在のソフトウェアは、ほぼナディア画像のみに最適に機能するが、ナディア画像は自然災害後の最初の情報源であることが多い。本研究では,世界の都市における5,923個の近海RGB衛星画像を用いて,地球中心のポーズを予測するための深層学習アンサンブルフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-04T08:33:41Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文参考訳（メタデータ） (2022-04-07T08:53:18Z)
Real-time Ionospheric Imaging of S4 Scintillation from Limited Data with Parallel Kalman Filters and Smoothness [91.3755431537592]
南アメリカ上空350kmでS4振幅シンチレーションの2次元電離層像を時間分解能1分で作成する。その結果, 地上受信機のネットワークが比較的良好なエリアでは, 生成画像が信頼性の高いリアルタイム結果を提供できることがわかった。
論文参考訳（メタデータ） (2021-05-11T23:09:14Z)
H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain Adaptation and Label Refinement [6.577064131678387]
H2O-Networkは、衛星や航空画像から洪水を分離する自己教師付きディープラーニング手法である。 H2O-Networkは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と高い相関性を持つ信号を合成することを学ぶ。 H2O-Netは,衛星画像上での最先端セマンティックセマンティックセグメンテーション法を,それぞれ10%,12%の精度で,mIoUより優れていることを示す。
論文参考訳（メタデータ） (2020-10-11T18:35:03Z)

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。