論文の概要: DeepAqua: Self-Supervised Semantic Segmentation of Wetlands from SAR
Images using Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2305.01698v1
- Date: Tue, 2 May 2023 18:06:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:56:16.932265
- Title: DeepAqua: Self-Supervised Semantic Segmentation of Wetlands from SAR
Images using Knowledge Distillation
- Title（参考訳）: DeepAqua:知識蒸留によるSAR画像からの湿地の自己監督セマンティックセマンティックセマンティックセグメンテーション
- Authors: Francisco J. Pe\~na, Clara H\"ubinger, Amir H. Payberah, Fernando
Jaramillo
- Abstract要約: トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
本モデルは,手動で注釈付けしたデータを用いずにセマンティックセグメンテーションモデルを効果的に訓練することにより,コンピュータビジョン技術の大幅な進歩を示す。
- 参考スコア（独自算出の注目度）: 63.128912221732946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing has significantly advanced water detection by applying
semantic segmentation techniques to satellite imagery. However, semantic
segmentation remains challenging due to the substantial amount of annotated
data required. This is particularly problematic in wetland detection, where
water extent varies over time and space, necessitating multiple annotations for
the same area. In this paper, we present DeepAqua, a self-supervised deep
learning model that leverages knowledge distillation to eliminate the need for
manual annotations during the training phase. DeepAqua utilizes the Normalized
Difference Water Index (NDWI) as a teacher model to train a Convolutional
Neural Network (CNN) for segmenting water from Synthetic Aperture Radar (SAR)
images. To train the student model, we exploit cases where optical- and
radar-based water masks coincide, enabling the detection of both open and
vegetated water surfaces. Our model represents a significant advancement in
computer vision techniques by effectively training semantic segmentation models
without any manually annotated data. This approach offers a practical solution
for monitoring wetland water extent changes without needing ground truth data,
making it highly adaptable and scalable for wetland conservation efforts.
- Abstract（参考訳）: リモートセンシングは衛星画像にセマンティックセグメンテーション技術を適用することで、水の検出を大幅に進歩させた。
しかし、大量の注釈付きデータを必要とするため、セマンティックセグメンテーションは依然として困難である。
これは、水深が時間や空間によって変化し、同じ領域に複数のアノテーションを必要とする湿地検出において特に問題となる。
本稿では,知識蒸留を利用した自己教師型ディープラーニングモデルであるDeepAquaについて述べる。
deepaquaは教師モデルとして正規化差分水指数(ndwi)を使用し、合成開口レーダ(sar)画像から水をセグメント化する畳み込みニューラルネットワーク(cnn)を訓練する。
学生モデルを訓練するために,光学面とレーダ面とが一致する場合を利用して,開水面と植木面の両方を検出する。
本モデルは,手動の注釈付きデータなしで意味的セグメンテーションモデルを効果的に訓練することにより,コンピュータビジョン技術の大幅な進歩を示す。
本手法は,湿地水深変化を地上データを必要としない実用的なモニタリング手法であり,湿地保全に高度に適応可能でスケーラブルである。
関連論文リスト
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - Interpretable Underwater Diver Gesture Recognition [0.0]
深層学習を用いた認知自律的な潜水行動データセットに基づいて学習した水中ジェスチャー認識システムを提案する。
また、XAI技術を用いてモデルの予測を可視化することにより、ジェスチャー認識システム解釈性を向上させる。
論文 参考訳（メタデータ） (2023-12-08T07:14:52Z) - An Efficient Detection and Control System for Underwater Docking using
Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。
GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。
その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
論文 参考訳（メタデータ） (2023-11-02T18:10:20Z) - RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement
Method [2.6645441842326756]
水中画像強調(UIE)は、水中環境の特徴的な性質のために課題を提起する。
本稿では、RAUNE-Netと呼ばれるより信頼性が高く合理的なUIEネットワークを提案する。
提案手法は,様々な実世界の水中画像に対して,有望な客観的性能と一貫した視覚的結果を得る。
論文 参考訳（メタデータ） (2023-11-01T03:00:07Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-06-15T07:41:12Z) - Knowledge Distillation for Feature Extraction in Underwater VSLAM [29.167521895895455]
本稿では,水中の特徴検出・マッチングネットワーク(UFEN)を訓練するためのクロスモーダルな知識蒸留フレームワークを提案する。
特に,大気中のRGBDデータを用いて,物理的水中画像形成モデルに基づく合成水中画像を生成する。
提案手法の有効性を検証するため, EASI という地中観測データを用いた新しい水中データセットを構築した。
論文 参考訳（メタデータ） (2023-03-31T11:33:21Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models [0.0]
機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。
データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
論文 参考訳（メタデータ） (2021-12-22T11:25:23Z)
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。