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
- SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale
SAR Object Detection [83.21028626585986]
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) - The Second Monocular Depth Estimation Challenge [93.1678025923996]
MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。
この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。
上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
論文 参考訳(メタデータ) (2023-04-14T11:10:07Z) - 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) - Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery [41.40522618945897]
我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
論文 参考訳(メタデータ) (2022-06-06T18:53:19Z) - 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) - Domain-Aware Unsupervised Hyperspectral Reconstruction for Aerial Image
Dehazing [16.190455993566864]
空中画像におけるヘイズ除去のためのSkyGANを提案する。
SkyGANは、1)ドメイン対応のH2Hモジュール、2)条件付きGAN(cGAN)ベースのマルチキュー画像-画像変換モジュール(I2I)から構成される。
論文 参考訳(メタデータ) (2020-11-07T03:30:52Z) - 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。