論文の概要: Sea Ice Extraction via Remote Sensed Imagery: Algorithms, Datasets,
Applications and Challenges
- arxiv url: http://arxiv.org/abs/2306.00303v1
- Date: Thu, 1 Jun 2023 02:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 18:29:27.491041
- Title: Sea Ice Extraction via Remote Sensed Imagery: Algorithms, Datasets,
Applications and Challenges
- Title(参考訳): リモートセンシング画像による海氷抽出:アルゴリズム,データセット,応用と課題
- Authors: Anzhu Yu, Wenjun Huang, Qing Xu, Qun Sun, Wenyue Guo, Song Ji, Bowei
Wen, Chunping Qiu
- Abstract要約: レビューは2016年から現在までの論文に焦点が当てられ、過去5年間のディープラーニングベースのアプローチに特に焦点が当てられている。
我々は,従来の画像分割手法,機械学習に基づく手法,ディープラーニングに基づく手法の3つのカテゴリに分類した。
これらの応用は、気候研究、ナビゲーション、地理情報システム(GIS)生産など4つの側面で紹介される。
- 参考スコア(独自算出の注目度): 2.1059236061864883
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The deep learning, which is a dominating technique in artificial
intelligence, has completely changed the image understanding over the past
decade. As a consequence, the sea ice extraction (SIE) problem has reached a
new era. We present a comprehensive review of four important aspects of SIE,
including algorithms, datasets, applications, and the future trends. Our review
focuses on researches published from 2016 to the present, with a specific focus
on deep learning-based approaches in the last five years. We divided all
relegated algorithms into 3 categories, including classical image segmentation
approach, machine learning-based approach and deep learning-based methods. We
reviewed the accessible ice datasets including SAR-based datasets, the
optical-based datasets and others. The applications are presented in 4 aspects
including climate research, navigation, geographic information systems (GIS)
production and others. It also provides insightful observations and inspiring
future research directions.
- Abstract(参考訳): ディープラーニングは人工知能において支配的な技術であり、過去10年間で画像の理解を完全に変えてきた。
その結果,海氷抽出問題(SIE)は新たな時代を迎えた。
我々は、アルゴリズム、データセット、アプリケーション、今後のトレンドを含む、SIEの4つの重要な側面について包括的なレビューを行う。
本稿では,2016年から現在までの5年間の深層学習に基づくアプローチに着目した研究について紹介する。
従来の画像分割手法,機械学習に基づく手法,深層学習に基づく手法の3つに分類した。
我々は、SARベースのデータセット、光学ベースのデータセットなど、アクセス可能な氷のデータセットをレビューした。
これらの応用は、気候研究、ナビゲーション、地理情報システム(GIS)生産など4つの側面で紹介される。
また、洞察に富んだ観察と将来の研究の方向性も提供する。
関連論文リスト
- There Are No Data Like More Data- Datasets for Deep Learning in Earth
Observation [6.839093061382966]
私たちは、地球観測データ専用の機械学習データセットをスポットライトに入れたいと思っています。
我々は、私たちのデータの性質が地球観測コミュニティを区別するものであるという理解に貢献したいと考えています。
論文 参考訳(メタデータ) (2023-10-30T02:19:16Z) - DEUX: Active Exploration for Learning Unsupervised Depth Perception [8.044217507775999]
我々は,学習深度完了のための能動的,タスクインフォームドな深度不確実性に基づく運動計画手法を開発した。
提案手法は,ロボット学習に基づく深度推定の統合に関する新たな洞察を提供するとともに,ゼロショットの一般化をさらに改善することを示す。
論文 参考訳(メタデータ) (2023-09-16T23:33:15Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳(メタデータ) (2023-02-19T15:43:54Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳(メタデータ) (2022-06-20T10:05:38Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳(メタデータ) (2022-05-11T08:24:00Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - Lighting the Darkness in the Deep Learning Era [118.35081853500411]
低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。
この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。
アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
論文 参考訳(メタデータ) (2021-04-21T19:12:19Z) - Deep Image Retrieval: A Survey [21.209884703192735]
深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。
本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
論文 参考訳(メタデータ) (2021-01-27T09:32:58Z) - Deep Graph Generators: A Survey [8.641606056228675]
本稿では,深層学習に基づくグラフ生成手法に関する総合的な調査を行う。
それらは、autoregressive、autoencoderベース、rlベース、adversarial、flowベースのグラフジェネレータの5つに分類される。
また、公開ソースコード、一般的に使用されるデータセット、および最も広く使用されている評価指標も提示します。
論文 参考訳(メタデータ) (2020-12-31T11:01:33Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳(メタデータ) (2020-08-11T19:10:32Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。