Fugu-MT 論文翻訳(概要): 1st Place Solution to MultiEarth 2023 Challenge on Multimodal SAR-to-EO Image Translation

論文の概要: 1st Place Solution to MultiEarth 2023 Challenge on Multimodal SAR-to-EO Image Translation

arxiv url: http://arxiv.org/abs/2306.12626v1
Date: Thu, 22 Jun 2023 01:32:30 GMT
ステータス: 処理完了
システム内更新日: 2023-06-23 15:44:53.088956
Title: 1st Place Solution to MultiEarth 2023 Challenge on Multimodal SAR-to-EO Image Translation
Title（参考訳）: 第1回 multiearth 2023 challenge on multimodal sar-to-eo image translation
Authors: Jingi Ju, Hyeoncheol Noh, Minwoo Kim, Dong-Geol Choi
Abstract要約: マルチモーダル・ラーニング・フォー・アース・エコ環境ワークショップ(MultiEarth 2023)は、地球生態系の健康状態のモニタリングと分析のために、広範囲に収集された大量のリモートセンシングデータを活用することを目的としている。サブタスクであるMultimodal SAR-to-EO Image Translationは、悪天候や照明条件下であっても堅牢なSARデータを使用し、高品質で透明で視覚的に魅力的なEOデータに変換する。最終評価では、チームの「CDRL」は0.07313のMAEを獲得し、リーダーボードの最高位を確保した。
参考スコア（独自算出の注目度）: 3.8424737607413153
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Multimodal Learning for Earth and Environment Workshop (MultiEarth 2023) aims to harness the substantial amount of remote sensing data gathered over extensive periods for the monitoring and analysis of Earth's ecosystems'health. The subtask, Multimodal SAR-to-EO Image Translation, involves the use of robust SAR data, even under adverse weather and lighting conditions, transforming it into high-quality, clear, and visually appealing EO data. In the context of the SAR2EO task, the presence of clouds or obstructions in EO data can potentially pose a challenge. To address this issue, we propose the Clean Collector Algorithm (CCA), designed to take full advantage of this cloudless SAR data and eliminate factors that may hinder the data learning process. Subsequently, we applied pix2pixHD for the SAR-to-EO translation and Restormer for image enhancement. In the final evaluation, the team 'CDRL' achieved an MAE of 0.07313, securing the top rank on the leaderboard.
Abstract（参考訳）: マルチモーダル・ラーニング・フォー・アース・エコ環境ワークショップ(MultiEarth 2023)は、地球生態系の健康状態のモニタリングと分析のために、広範囲に収集された大量のリモートセンシングデータを活用することを目的としている。サブタスクであるMultimodal SAR-to-EO Image Translationは、悪天候や照明条件下であっても堅牢なSARデータを使用し、高品質で透明で視覚的に魅力的なEOデータに変換する。 SAR2EOタスクのコンテキストでは、EOデータに雲や障害が存在することが課題となる可能性がある。この問題に対処するために,このクラウドレスSARデータを完全に活用し,データ学習の妨げとなる要因を取り除くために設計されたクリーンコレクタアルゴリズム(CCA)を提案する。その後,SAR-to-EO変換にPix2pixHD,画像強調にRestormerを適用した。最終評価では、チーム「cdrl」が0.07313のメイを獲得し、リーダーボードのトップランクを確保した。

関連論文リスト

C-DiffSET: Leveraging Latent Diffusion for SAR-to-EO Image Translation with Confidence-Guided Reliable Object Generation [23.63992950769041]
C-DiffSETは、訓練済みの遅延拡散モデル(LDM)を自然画像で広く訓練したフレームワークである。顕著なことに、事前訓練されたVAEエンコーダは、SAR入力のノイズレベルが異なる場合でも、同じ潜時空間でSARとEOの画像を整列する。
論文参考訳（メタデータ） (2024-11-16T12:28:40Z)
AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery [38.538566901989526]
クラウド削除のために$textitAllClear$という,世界最大のパブリックデータセットを紹介します。このデータセットは、地球の表面を包括的にカバーし、より良い雲の除去結果を促進することを目的としている。
論文参考訳（メタデータ） (2024-10-31T12:52:52Z)
Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。そこで我々は,自動画像評価パイプラインを提案する。その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文参考訳（メタデータ） (2024-09-01T16:25:04Z)
SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文参考訳（メタデータ） (2024-03-11T09:20:40Z)
Improved Flood Insights: Diffusion-Based SAR to EO Image Translation [4.994315051443544]
本稿では,新しいフレームワークである拡散型SAR to EO Image Translation (DSE)を紹介する。 DSEフレームワークは,SAR画像をEO画像に変換することにより,洪水の洞察の解釈可能性を高める。 Sen1Floods11とSEN12-FLOODデータセットの実験結果は、DSEフレームワークが拡張された視覚情報を提供するだけでなく、パフォーマンスも向上していることを確認した。
論文参考訳（メタデータ） (2023-07-14T02:19:23Z)
SAR2EO: A High-resolution Image Translation Framework with Denoising Enhancement [10.11898520476921]
本稿では,低解像度画像から高解像度画像への変換を実現するためのフレームワークであるSAR2EOを提案する。まず、高品質なEO画像を生成するために、粗大な発電機、マルチスケールの判別器、およびピクセル2pixHDモデルにおける対向損失を改善する。次に,SAR画像のノイズを除去するデノナイジングモジュールを導入し,画像の構造情報を保存しながらノイズを抑制する。
論文参考訳（メタデータ） (2023-04-08T03:39:51Z)
A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文参考訳（メタデータ） (2022-06-13T19:14:06Z)
Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文参考訳（メタデータ） (2022-06-06T13:28:15Z)
The QXS-SAROPT Dataset for Deep Learning in SAR-Optical Data Fusion [14.45289690639374]
QXS-SAROPTデータセットを公開し、SAR-オプティカルデータ融合におけるディープラーニング研究を促進します。光学画像からのクロスモーダル情報によって強化されたSAR光画像マッチングとSAR船舶検出の2つの代表的な用途の例を示す。
論文参考訳（メタデータ） (2021-03-15T10:22:46Z)
Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文参考訳（メタデータ） (2021-02-24T11:20:55Z)
HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery [55.253395881190436]
MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。これは、地球上の人間の影響を衛星で観測する上で重要である。我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
論文参考訳（メタデータ） (2020-02-15T22:17:47Z)

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。