論文の概要: Improved Difference Images for Change Detection Classifiers in SAR
Imagery Using Deep Learning
- arxiv url: http://arxiv.org/abs/2303.17835v1
- Date: Fri, 31 Mar 2023 06:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 15:10:11.634259
- Title: Improved Difference Images for Change Detection Classifiers in SAR
Imagery Using Deep Learning
- Title（参考訳）: ディープラーニングを用いたSAR画像における変化検出分類器の差分画像の改善
- Authors: Janne Alatalo, Tuomo Sipola, Mika Rantonen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite-based Synthetic Aperture Radar (SAR) images can be used as a source
of remote sensed imagery regardless of cloud cover and day-night cycle.
However, the speckle noise and varying image acquisition conditions pose a
challenge for change detection classifiers. This paper proposes a new method of
improving SAR image processing to produce higher quality difference images for
the classification algorithms. The method is built on a neural network-based
mapping transformation function that produces artificial SAR images from a
location in the requested acquisition conditions. The inputs for the model are:
previous SAR images from the location, imaging angle information from the SAR
images, digital elevation model, and weather conditions. The method was tested
with data from a location in North-East Finland by using Sentinel-1 SAR images
from European Space Agency, weather data from Finnish Meteorological Institute,
and a digital elevation model from National Land Survey of Finland. In order to
verify the method, changes to the SAR images were simulated, and the
performance of the proposed method was measured using experimentation where it
gave substantial improvements to performance when compared to a more
conventional method of creating difference images.
- Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像は、雲のカバーや夜のサイクルに関わらず、リモートセンシング画像のソースとして使用できる。
しかし、スペックルノイズや画像取得条件の変化は、変化検出分類器の課題となる。
本稿では,sar画像処理を改良し,分類アルゴリズムのための高品質差分画像を生成する手法を提案する。
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。
モデルの入力は、位置からの以前のSAR画像、SAR画像からの撮像角度情報、デジタル標高モデル、気象条件である。
この手法は、欧州宇宙機関のSentinel-1 SAR画像、フィンランド気象研究所の気象データ、フィンランド国立土地測量所のデジタル標高モデルを用いて、フィンランド北東部の位置情報を用いて試験された。
この方法を検証するために,sar画像の変更をシミュレートし,従来の差分画像作成法に比べて性能が大幅に向上した実験を用いて,提案手法の性能を測定した。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Conditional Brownian Bridge Diffusion Model for VHR SAR to Optical Image Translation [5.578820789388206]
本稿では,Brownian Bridge Diffusion Model(BBDM)に基づく条件付き画像から画像への変換手法を提案する。
我々は、MSAWデータセット、ペアSAR、0.5m Very-High-Resolution (VHR) の光学画像収集に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-08-15T05:43:46Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Exploring Deep Learning Methods for Classification of SAR Images:
Towards NextGen Convolutions via Transformers [1.8532775355974984]
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。
論文 参考訳（メタデータ） (2023-03-28T09:43:58Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Autoregressive Model for Multi-Pass SAR Change Detection Based on Image
Stacks [0.0]
変化検出は重要な合成開口レーダ(SAR)アプリケーションであり、通常、異なるタイミングで地上環境の変化を検出するために使用される。
本研究では,画像スタック情報を時系列データとして扱うことができ,自己回帰モデルを用いてモデル化することができる。
画像スタック内の各画素位置に対するARモデルの適用により、基準画像として使用できる地上シーンの推定画像を得た。
論文 参考訳（メタデータ） (2022-06-05T21:46:11Z) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳（メタデータ） (2022-04-19T16:21:36Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2022-01-23T20:09:01Z) - City-scale Scene Change Detection using Point Clouds [71.73273007900717]
2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。
変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。
この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。
提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
論文 参考訳（メタデータ） (2021-03-26T08:04:13Z) - 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) - SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。
時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。
提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
論文 参考訳（メタデータ） (2020-06-26T15:07:28Z)
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。