論文の概要: PMAA: A Progressive Multi-scale Attention Autoencoder Model for
High-Performance Cloud Removal from Multi-temporal Satellite Imagery
- arxiv url: http://arxiv.org/abs/2303.16565v1
- Date: Wed, 29 Mar 2023 09:47:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:18:23.452351
- Title: PMAA: A Progressive Multi-scale Attention Autoencoder Model for
High-Performance Cloud Removal from Multi-temporal Satellite Imagery
- Title(参考訳): PMAA:マルチ時間衛星画像からの高速クラウド除去のためのプログレッシブなマルチスケールアテンションオートエンコーダモデル
- Authors: Xuechao Zou, Kai Li, Junliang Xing, Pin Tao, Yachao Cui
- Abstract要約: 本研究では,PMAA(Progressive Multi-scale Attention Autoencoder)と呼ばれる高性能クラウド除去アーキテクチャを提案する。
グローバルとローカルの情報を同時に活用する。
PMAAは、それぞれCTGANのパラメータと計算複雑性のわずか0.5%と14.6%しかなく、かなりの効率上の優位性を持っている。
- 参考スコア(独自算出の注目度): 26.694734522423797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite imagery analysis plays a vital role in remote sensing, but the
information loss caused by cloud cover seriously hinders its application. This
study presents a high-performance cloud removal architecture called Progressive
Multi-scale Attention Autoencoder (PMAA), which simultaneously leverages global
and local information. It mainly consists of a cloud detection backbone and a
cloud removal module. The cloud detection backbone uses cloud masks to
reinforce cloudy areas to prompt the cloud removal module. The cloud removal
module mainly comprises a novel Multi-scale Attention Module (MAM) and a Local
Interaction Module (LIM). PMAA establishes the long-range dependency of
multi-scale features using MAM and modulates the reconstruction of the
fine-grained details using LIM, allowing for the simultaneous representation of
fine- and coarse-grained features at the same level. With the help of diverse
and multi-scale feature representation, PMAA outperforms the previous
state-of-the-art model CTGAN consistently on the Sen2_MTC_Old and Sen2_MTC_New
datasets. Furthermore, PMAA has a considerable efficiency advantage, with only
0.5% and 14.6% of the parameters and computational complexity of CTGAN,
respectively. These extensive results highlight the potential of PMAA as a
lightweight cloud removal network suitable for deployment on edge devices. We
will release the code and trained models to facilitate the study in this
direction.
- Abstract(参考訳): 衛星画像解析はリモートセンシングにおいて重要な役割を果たすが、雲による情報損失は、その応用を著しく阻害する。
本研究では,グローバルおよびローカル情報を同時に活用するPMAA(Progressive Multi-scale Attention Autoencoder)と呼ばれる高性能クラウド除去アーキテクチャを提案する。
主にクラウド検出バックボーンとクラウド削除モジュールで構成されている。
クラウド検出バックボーンはクラウドマスクを使用してクラウド領域を強化し、クラウド削除モジュールを起動する。
クラウド除去モジュールは主に、新しいマルチスケールアテンションモジュール(MAM)とローカルインタラクションモジュール(LIM)で構成される。
PMAAは、MAMを用いてマルチスケール特徴の長距離依存性を確立し、LIMを用いて細粒度詳細の再構築を調整し、細粒度と粗粒度の同時表現を可能にする。
多様なマルチスケールの特徴表現の助けを借りて、PMAAは、Sen2_MTC_OldとSen2_MTC_Newデータセット上で、従来の最先端モデルCTGANを一貫して上回る。
さらに、PMAAは、それぞれCTGANのパラメータと計算複雑性の0.5%と14.6%しかなく、かなりの効率性を持っている。
これらの広範な結果は、エッジデバイスへのデプロイメントに適した軽量クラウド除去ネットワークとしてのPMAAの可能性を強調している。
この方向の研究を促進するために、コードとトレーニングされたモデルをリリースします。
関連論文リスト
- AMMUNet: Multi-Scale Attention Map Merging for Remote Sensing Image Segmentation [4.618389486337933]
マルチスケールアテンションマップをマージするUNetベースのフレームワークであるAMMUNetを提案する。
提案するAMMMは,マルチスケールアテンションマップを固定マスクテンプレートを用いた統一表現に効果的に結合する。
提案手法は,Vayhingenデータセットでは75.48%,Potsdamデータセットでは77.90%という顕著な平均交叉(mIoU)を達成した。
論文 参考訳(メタデータ) (2024-04-20T15:23:15Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳(メタデータ) (2024-04-16T17:38:26Z) - MT-HCCAR: Multi-Task Deep Learning with Hierarchical Classification and
Attention-based Regression for Cloud Property Retrieval [4.550185423724161]
本稿では,マルチタスク学習を用いたエンドツーエンドディープラーニングモデルMT-HCCARを紹介し,クラウドマスキング,クラウドフェーズ検索,COT予測について述べる。
MT-HCCARは階層型分類ネットワーク(HC)と分類支援型注意ベース回帰ネットワーク(CAR)を統合し、クラウドラベリングとCOT予測の精度と堅牢性を高める。
論文 参考訳(メタデータ) (2024-01-29T19:50:50Z) - Distribution-aware Interactive Attention Network and Large-scale Cloud
Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
我々は,正確なクラウド認識のための新しいデータセットを開発した。
領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。
また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
論文 参考訳(メタデータ) (2024-01-06T09:58:09Z) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳(メタデータ) (2023-11-23T14:28:28Z) - BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。
対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。
提案手法は最先端手法よりも優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-25T13:13:37Z) - Coarse-to-Fine Embedded PatchMatch and Multi-Scale Dynamic Aggregation
for Reference-based Super-Resolution [48.093500219958834]
参照型スーパーリゾリューションのためのAMSA(Accelerated Multi-Scale Aggregation Network)を提案する。
提案したAMSAは,定量評価と定性評価の両面において,最先端の手法よりも優れた性能を実現する。
論文 参考訳(メタデータ) (2022-01-12T08:40:23Z) - Multi-task Over-the-Air Federated Learning: A Non-Orthogonal
Transmission Approach [52.85647632037537]
複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。
収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
論文 参考訳(メタデータ) (2021-06-27T13:09:32Z) - Multi-Scale Hourglass Hierarchical Fusion Network for Single Image
Deraining [8.964751500091005]
雨のひもはサイズ、方向および密度で頻繁に変わる深刻なぼやけおよび視覚質の低下をもたらします。
現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。
本稿では,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握するために,マルチスケールのHH2F-Netを提案する。
論文 参考訳(メタデータ) (2021-04-25T08:27:01Z) - Lightweight Single-Image Super-Resolution Network with Attentive
Auxiliary Feature Learning [73.75457731689858]
本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。
大規模データセットを用いた実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-11-13T06:01:46Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-23T13:16:34Z)
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。