論文の概要: Improved Flood Insights: Diffusion-Based SAR to EO Image Translation

• arxiv url: http://arxiv.org/abs/2307.07123v1
• Date: Fri, 14 Jul 2023 02:19:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:59:20.194428
• Title: Improved Flood Insights: Diffusion-Based SAR to EO Image Translation
• Title（参考訳）: フラッドインサイトの改善:拡散型SARからEO画像への変換
• Authors: Minseok Seo, Youngtack Oh, Doyi Kim, Dongmin Kang, Yeji Choi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.994315051443544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driven by rapid climate change, the frequency and intensity of flood events are increasing. Electro-Optical (EO) satellite imagery is commonly utilized for rapid response. However, its utilities in flood situations are hampered by issues such as cloud cover and limitations during nighttime, making accurate assessment of damage challenging. Several alternative flood detection techniques utilizing Synthetic Aperture Radar (SAR) data have been proposed. Despite the advantages of SAR over EO in the aforementioned situations, SAR presents a distinct drawback: human analysts often struggle with data interpretation. To tackle this issue, this paper introduces a novel framework, Diffusion-Based SAR to EO Image Translation (DSE). The DSE framework converts SAR images into EO images, thereby enhancing the interpretability of flood insights for humans. Experimental results on the Sen1Floods11 and SEN12-FLOOD datasets confirm that the DSE framework not only delivers enhanced visual information but also improves performance across all tested flood segmentation baselines.
• Abstract（参考訳）: 急速な気候変動によって、洪水の頻度と強度が増加している。 エレクトロオプティカル(EO)衛星画像は、迅速な応答に一般的に使用される。 しかし、洪水時の実用性は、夜間の雲の覆いや制限などの問題によって妨げられ、損傷の正確な評価は困難である。 合成開口レーダ(SAR)データを用いた洪水検出手法が提案されている。 上記の状況では、SARがEOよりも優れているが、SARには明確な欠点がある。 この問題に対処するために,Deffusion-based SAR to EO Image Translation (DSE) という新しいフレームワークを提案する。 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、テストされたすべてのフラッドセグメンテーションベースラインのパフォーマンスも向上することを確認した。

関連論文リスト

• Electrooptical Image Synthesis from SAR Imagery Using Generative Adversarial Networks [0.0]
  本研究は,SAR画像とEO画像のギャップを埋めることでリモートセンシングの分野に寄与する。 その結果,解釈可能性が大きく向上し,EO画像に精通したアナリストがSARデータにアクセスしやすくなった。 本研究は,SAR画像とEO画像のギャップを埋めることでリモートセンシングの分野に寄与し,データ解釈を向上するための新しいツールを提供する。
  論文  参考訳（メタデータ） (2024-09-07T14:31:46Z)
• Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
  この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。 視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。 本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
  論文  参考訳（メタデータ） (2024-09-02T23:46:27Z)
• Conditional Brownian Bridge Diffusion Model for VHR SAR to Optical Image Translation [5.578820789388206]
  本稿では,Brownian Bridge Diffusion Model(BBDM)に基づく条件付き画像から画像への変換手法を提案する。 我々は、MSAWデータセット、ペアSAR、0.5m Very-High-Resolution (VHR) の光学画像収集に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-08-15T05:43:46Z)
• Causality-informed Rapid Post-hurricane Building Damage Detection in Large Scale from InSAR Imagery [6.331801334141028]
  ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。 近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。 これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。 本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:56:05Z)
• 1st Place Solution to MultiEarth 2023 Challenge on Multimodal SAR-to-EO Image Translation [3.8424737607413153]
  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。
  論文  参考訳（メタデータ） (2023-06-22T01:32:30Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Visualization of Deep Transfer Learning In SAR Imagery [0.0]
  eo shipデータセットでトレーニングされたネットワークの深い機能を活用するために、転送学習を検討する。 クラスアクティベーションマップの形でネットワークアクティベーションを調べることで、ディープネットワークが新しいモダリティをどのように解釈するかを知ることができます。
  論文  参考訳（メタデータ） (2021-03-20T00:16:15Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)
• Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
  本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。 低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。 本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
  論文  参考訳（メタデータ） (2020-08-03T13:55:39Z)

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。