論文の概要: DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2305.01698v2
- Date: Wed, 20 Sep 2023 17:56:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 22:31:58.164841
- Title: DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation
- Title（参考訳）: DeepAqua:知識蒸留を用いたSAR画像による湿地表層水の自己監督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。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
- 参考スコア（独自算出の注目度）: 44.99833362998488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning and remote sensing techniques have significantly advanced water
monitoring abilities; however, the need for annotated data remains a challenge.
This is particularly problematic in wetland detection, where water extent
varies over time and space, demanding multiple annotations for the same area.
In this paper, we present DeepAqua, a self-supervised deep learning model that
leverages knowledge distillation (a.k.a. teacher-student model) to eliminate
the need for manual annotations during the training phase. We utilize 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, and 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. DeepAqua represents a significant
advancement in computer vision techniques by effectively training semantic
segmentation models without any manually annotated data. Experimental results
show that DeepAqua outperforms other unsupervised methods by improving accuracy
by 7%, Intersection Over Union by 27%, and F1 score by 14%. 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）: ディープラーニングとリモートセンシング技術は、水監視能力を大幅に向上させたが、注釈付きデータの必要性は依然として課題である。
これは、水深が時間と空間によって変化し、同じ領域に対して複数のアノテーションを要求する湿地検出において特に問題となる。
本稿では,学習段階における手動アノテーションの必要性をなくすために,知識蒸留(すなわち教師・学生モデル)を活用した自己教師型ディープラーニングモデルdeepaquaを提案する。
本研究では,合成開口レーダ(sar)画像から水を切り離すための畳み込みニューラルネットワーク(cnn)を訓練するために教師モデルとしてndwi(正規化差分水指数)を活用し,学生モデルを訓練するために,光学面とレーダベースの水マスクが一致する場合を活用し,開放面と植物面の両方の検出を可能にする。
DeepAquaは、手動でアノテートされたデータなしで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で、コンピュータビジョン技術の大幅な進歩を示している。
実験の結果、deepaquaは他の教師なしの手法よりも精度を7%向上させ、ユニオンを27%、f1スコアを14%向上させた。
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
- 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) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。