論文の概要: Exploring Deep Learning Methods for Classification of SAR Images:
Towards NextGen Convolutions via Transformers
- arxiv url: http://arxiv.org/abs/2303.15852v1
- Date: Tue, 28 Mar 2023 09:43:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 15:35:50.274597
- Title: Exploring Deep Learning Methods for Classification of SAR Images:
Towards NextGen Convolutions via Transformers
- Title（参考訳）: SAR画像の分類のための深層学習手法の探索:トランスフォーマーによる次世代コンボリューションに向けて
- Authors: Aakash Singh and Vivek Kumar Singh
- Abstract要約: 本研究は、SARターゲット分類(MSTAR)のためのコンピュータビジョン領域で導入された現在の最先端モデルの適合性を探る試みである。
実験結果から,SAR画像分類の領域において,所望の性能レベルでの深層学習モデルを適宜適用できることが示唆された。
- 参考スコア（独自算出の注目度）: 1.8532775355974984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Images generated by high-resolution SAR have vast areas of application as
they can work better in adverse light and weather conditions. One such area of
application is in the military systems. This study is an attempt to explore the
suitability of current state-of-the-art models introduced in the domain of
computer vision for SAR target classification (MSTAR). Since the application of
any solution produced for military systems would be strategic and real-time,
accuracy is often not the only criterion to measure its performance. Other
important parameters like prediction time and input resiliency are equally
important. The paper deals with these issues in the context of SAR images.
Experimental results show that deep learning models can be suitably applied in
the domain of SAR image classification with the desired performance levels.
- Abstract（参考訳）: 高分解能SARによって生成された画像は、光や天候の悪条件でよりよく機能するので、幅広い用途がある。
そのような応用分野の一つが軍事システムである。
本研究は、SARターゲット分類(MSTAR)のためのコンピュータビジョンの領域で導入された現在の最先端モデルの適合性を探る試みである。
軍事システムのためのあらゆるソリューションの適用は戦略的かつリアルタイムであるため、その性能を測定するための基準は正確性だけではない。
予測時間や入力レジリエンスといった他の重要なパラメータも同様に重要である。
本論文は,これらの問題をSAR画像の文脈で扱う。
実験結果から,SAR画像分類の領域において,所望の性能レベルでの深層学習モデルを適宜適用できることが示唆された。
関連論文リスト
- SAFE: a SAR Feature Extractor based on self-supervised learning and masked Siamese ViTs [5.961207817077044]
マスク付きシームズ・ビジョン・トランスフォーマーをベースとした新しい自己教師型学習フレームワークを提案し,SAFEと命名された汎用SAR機能エクストラクタを提案する。
提案手法は,厳密で一般化可能な特徴を抽出し,ラベルのないSARデータに基づいてモデルを訓練するために,対照的な学習原理を利用する。
サブアパーチャ分解や非特異化など,SAR画像特有のデータ拡張技術を導入する。
我々のネットワークは、評価に使用されるセンサーの訓練を受けなくても、数ショットの分類やセグメンテーションタスクにおいて、他の最先端の手法と競合したり、超えたりしています。
論文 参考訳（メタデータ） (2024-06-30T23:11:20Z) - Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。
本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
論文 参考訳（メタデータ） (2024-05-23T09:13:36Z) - Towards SAR Automatic Target Recognition MultiCategory SAR Image Classification Based on Light Weight Vision Transformer [11.983317593939688]
本稿では,SAR画像の分類に軽量な視覚変換器モデルを適用しようとする。
構造全体がオープンアクセスされたSARデータセットによって検証された。
論文 参考訳（メタデータ） (2024-05-18T11:24:52Z) - Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained
Ship Classification [62.425462136772666]
リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。
大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。
本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
論文 参考訳（メタデータ） (2024-03-13T05:48:58Z) - Improved Difference Images for Change Detection Classifiers in SAR
Imagery Using Deep Learning [0.0]
本稿では,SAR画像処理の改良手法を提案する。
この方法は、要求された取得条件の場所から人工的なSAR画像を生成するニューラルネットワークベースのマッピング変換関数に基づいて構築される。
論文 参考訳（メタデータ） (2023-03-31T06:57:34Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳（メタデータ） (2022-05-27T09:20:06Z) - A Contrastive Learning Approach to Auroral Identification and
Classification [0.8399688944263843]
オーロラ画像分類の課題に対する教師なし学習の新たな応用法を提案する。
オーロラ画像の表現を学習するためのコントラスト学習(SimCLR)アルゴリズムを改良し,適応する。
当社のアプローチは、運用目的の確立されたしきい値を超え、デプロイメントと利用の準備ができていることを実証しています。
論文 参考訳（メタデータ） (2021-09-28T17:51:25Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z) - PeaceGAN: A GAN-based Multi-Task Learning Method for SAR Target Image
Generation with a Pose Estimator and an Auxiliary Classifier [50.17500790309477]
SARターゲット画像生成のための新しいGANベースのマルチタスク学習(MTL)手法であるPeaceGANを提案する。
PeaceGANはポーズ角とターゲットクラス情報の両方を使用し、目的のポーズ角で所望のターゲットクラスのSARターゲット画像を作成することができる。
論文 参考訳（メタデータ） (2021-03-29T10:03:09Z) - Visualization of Deep Transfer Learning In SAR Imagery [0.0]
eo shipデータセットでトレーニングされたネットワークの深い機能を活用するために、転送学習を検討する。
クラスアクティベーションマップの形でネットワークアクティベーションを調べることで、ディープネットワークが新しいモダリティをどのように解釈するかを知ることができます。
論文 参考訳（メタデータ） (2021-03-20T00:16:15Z)
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。