論文の概要: LSwinSR: UAV Imagery Super-Resolution based on Linear Swin Transformer
- arxiv url: http://arxiv.org/abs/2303.10232v1
- Date: Fri, 17 Mar 2023 20:14:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:30:52.545174
- Title: LSwinSR: UAV Imagery Super-Resolution based on Linear Swin Transformer
- Title（参考訳）: LSwinSR:リニアスウィントランスを用いたUAV画像超解像
- Authors: Rui Li and Xiaowei Zhao
- Abstract要約: 超高分解能技術は無人航空機(UAV)に特に有用である
本稿では,UAV画像の高分解能化のために,最先端のSwin Transformerに基づく新しいネットワークを提案する。
- 参考スコア（独自算出の注目度）: 7.3817359680010615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Super-resolution, which aims to reconstruct high-resolution images from
low-resolution images, has drawn considerable attention and has been
intensively studied in computer vision and remote sensing communities. The
super-resolution technology is especially beneficial for Unmanned Aerial
Vehicles (UAV), as the amount and resolution of images captured by UAV are
highly limited by physical constraints such as flight altitude and load
capacity. In the wake of the successful application of deep learning methods in
the super-resolution task, in recent years, a series of super-resolution
algorithms have been developed. In this paper, for the super-resolution of UAV
images, a novel network based on the state-of-the-art Swin Transformer is
proposed with better efficiency and competitive accuracy. Meanwhile, as one of
the essential applications of the UAV is land cover and land use monitoring,
simple image quality assessments such as the Peak-Signal-to-Noise Ratio (PSNR)
and the Structural Similarity Index Measure (SSIM) are not enough to
comprehensively measure the performance of an algorithm. Therefore, we further
investigate the effectiveness of super-resolution methods using the accuracy of
semantic segmentation. The code will be available at
https://github.com/lironui/LSwinSR.
- Abstract（参考訳）: 低解像度画像から高解像度画像を再構成することを目的とした超高解像度画像は注目され、コンピュータビジョンやリモートセンシングのコミュニティで研究されている。
超高解像度技術は、無人航空機(UAV)にとって特に有益であり、UAVが捉えた画像の量と解像度は、飛行高度や負荷容量などの物理的制約によって非常に制限される。
近年,超解像タスクにおけるディープラーニング手法の応用が成功し,一連の超解像アルゴリズムが開発されている。
本稿では,uav画像の超高解像度化のために,最先端のスウィントランスを用いた新しいネットワークを提案する。
一方、UAVの基本的な用途の一つは土地被覆と土地利用監視であり、Pak-Signal-to-Noise Ratio (PSNR) やStructure similarity Index Measure (SSIM) のような単純な画像品質評価は、アルゴリズムの性能を総合的に測定するには不十分である。
そこで本研究では,セマンティックセグメンテーションの精度を用いた超解像法の有効性について検討する。
コードはhttps://github.com/lironui/LSwinSRで入手できる。
関連論文リスト
- Recurrent Multi-scale Transformer for High-Resolution Salient Object
Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。
従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。
本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文 参考訳（メタデータ） (2023-08-07T17:49:04Z) - Cutting-Edge Techniques for Depth Map Super-Resolution [0.0]
市販の深度センサにおけるハードウェアの限界を克服するために、深度マップ超解像(DMSR)は実用的で価値のあるコンピュータビジョンタスクである。
DMSRのための共同画像フィルタリングは、空間不変かつ空間不変な畳み込みニューラルネットワーク(CNN)アプローチを用いて適用されている。
本稿では,Swin変換器アーキテクチャを用いた新しい共同画像フィルタリングDMSRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-27T06:57:08Z) - A Vision Transformer Approach for Efficient Near-Field Irregular SAR
Super-Resolution [0.0]
本研究では、位置推定誤差に対処し、不規則なサンプリング測位の下でSAR画像超解像(SR)を行うモバイルフレンドビジョントランスフォーマー(ViT)アーキテクチャを提案する。
提案アルゴリズムであるMobile-SRViTは,SAR画像強調にViTを用いた最初の手法であり,シミュレーションおよび実証実験によって検証されている。
論文 参考訳（メタデータ） (2023-05-03T12:25:01Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳（メタデータ） (2022-08-05T09:36:13Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs
and Convolutional Networks [9.449650062296824]
本稿では,画像の分類を行うリソース制約付きUAV群に推論要求を分散する戦略を提案する。
画像の取得と最終的な決定の待ち時間を最小限に抑える最適化問題としてモデルを定式化する。
私たちは、利用可能なUAV間で最高のレイテンシを提供するレイヤ配置戦略を見つけるために、オンラインソリューション、すなわちDistInferenceを導入します。
論文 参考訳（メタデータ） (2021-07-09T19:47:02Z) - EmergencyNet: Efficient Aerial Image Classification for Drone-Based
Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。
緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。
マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
論文 参考訳（メタデータ） (2021-04-28T20:24:10Z) - Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。
画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。
我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文 参考訳（メタデータ） (2021-03-25T07:10:46Z) - Joint-SRVDNet: Joint Super Resolution and Vehicle Detection Network [17.57284924547865]
車両の識別・高分解能画像を生成するための統合超解像・車両検出ネットワーク(Joint-SRVDNet)を提案する。
空中画像はMsGAN(Multiscale Generative Adversarial Network)を用いて4倍の係数でアップスケールされる。
ネットワークは、ターゲットの階層的特徴と識別的特徴を共同で学習し、最適な超解像結果を生成する。
論文 参考訳（メタデータ） (2020-05-03T04:28:44Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z)
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。