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/2303.16565v2
• Date: Tue, 8 Aug 2023 16:01:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 17:13:28.237713
• 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雲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。 PMAAはグローバルおよびローカル情報を利用して、新しいマルチスケールアテンションモジュール(MAM)と新しいローカルインタラクションモジュール(LIM)を使用して、堅牢なコンテキスト依存を構築する PMAAは、以前の最先端モデルCTGANを2つのベンチマークデータセットで一貫して上回っている。
• 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 pivotal role in remote sensing; however, information loss due to cloud cover significantly impedes its application. Although existing deep cloud removal models have achieved notable outcomes, they scarcely consider contextual information. This study introduces a high-performance cloud removal architecture, termed Progressive Multi-scale Attention Autoencoder (PMAA), which concurrently harnesses global and local information to construct robust contextual dependencies using a novel Multi-scale Attention Module (MAM) and a novel Local Interaction Module (LIM). PMAA establishes long-range dependencies of multi-scale features using MAM and modulates the reconstruction of fine-grained details utilizing LIM, enabling simultaneous representation of fine- and coarse-grained features at the same level. With the help of diverse and multi-scale features, PMAA consistently outperforms the previous state-of-the-art model CTGAN on two benchmark datasets. Moreover, PMAA boasts considerable efficiency advantages, with only 0.5% and 14.6% of the parameters and computational complexity of CTGAN, respectively. These comprehensive results underscore PMAA's potential as a lightweight cloud removal network suitable for deployment on edge devices to accomplish large-scale cloud removal tasks. Our source code and pre-trained models are available at https://github.com/XavierJiezou/PMAA.
• 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担っているが、雲による情報損失は適用を著しく妨げている。 既存のディープクラウド除去モデルは顕著な成果を上げているが、文脈情報を考えることはほとんどない。 本研究では,MAM(Multiscale Attention Module)とLIM(Local Interaction Module)を用いて,グローバルおよびローカル情報を同時利用し,ロバストなコンテキスト依存を構築するための高性能クラウド除去アーキテクチャであるPMAA(Progressive Multi-scale Attention Autoencoder)を紹介する。 PMAAは、MAMを用いたマルチスケール機能の長距離依存性を確立し、LIMを用いた細粒度細部再構築を調整し、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機能の助けを借りて、PMAAは2つのベンチマークデータセットで従来の最先端モデルCTGANを一貫して上回っている。 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、かなりの効率上の利点を持っている。 これらの総合的な結果は、大規模なクラウド除去タスクを達成するためにエッジデバイスへのデプロイに適した軽量クラウド除去ネットワークとしてのPMAAの可能性を示している。 ソースコードと事前トレーニングされたモデルは、https://github.com/xavierjiezou/pmaaで利用可能です。

関連論文リスト

• Two are better than one: Context window extension with multi-grained self-injection [111.1376461868317]
  SharedLLMは、多粒度コンテキスト圧縮とクエリ対応情報検索の設計哲学に基づく新しいアプローチである。 本研究では,テキストチャンクの多粒度コンテキスト情報を効率的にエンコードし,保存し,検索するための木構造データ構造を提案する。
  論文  参考訳（メタデータ） (2024-10-25T06:08:59Z)
• Tackling fluffy clouds: field boundaries detection using time series of S2 and/or S1 imagery [1.0251998687197121]
  本研究では,Sentinel-2 (S2) とSentinel-1 (S1) 画像からの時系列データを利用して,多様な雲条件下での性能向上を行う手法を提案する。 2つのモデルが提案されている: PTAViT3DはS2またはS1データを独立に処理し、PTAViT3D-CAは両方のデータセットを融合して精度を高める。 以上の結果から,S1モデルでは,部分的(S2やS2,S1データ融合)や密集クラウドカバー(S1)においても,S2画像に匹敵する性能を提供する。
  論文  参考訳（メタデータ） (2024-09-20T15:10:04Z)
• 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 [4.24122904716917]
  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)
• 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-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。