論文の概要: Flight Contrail Segmentation via Augmented Transfer Learning with Novel SR Loss Function in Hough Space

• arxiv url: http://arxiv.org/abs/2307.12032v2
• Date: Mon, 25 Sep 2023 14:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 01:39:46.954837
• Title: Flight Contrail Segmentation via Augmented Transfer Learning with Novel SR Loss Function in Hough Space
• Title（参考訳）: 新規sr損失関数を用いたhough空間における拡張トランスファー学習による飛行コントライルセグメンテーション
• Authors: Junzi Sun, Esther Roosenbrand
• Abstract要約: 航空輸送は、特に気候変動における飛行違反の役割に関して、重要な環境問題を引き起こしている。 最小ラベル付きデータを用いた精度の高い反則セグメンテーションのための革新的なアプローチを導入するために,数発のトランスファー学習を採用している。 また、画像空間をハフ空間に変換することで、反則線検出を強化する新しい損失関数SRロスを導入する。
• 参考スコア（独自算出の注目度）: 0.6215404942415159
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Air transport poses significant environmental challenges, particularly regarding the role of flight contrails in climate change due to their potential global warming impact. Traditional computer vision techniques struggle under varying remote sensing image conditions, and conventional machine learning approaches using convolutional neural networks are limited by the scarcity of hand-labeled contrail datasets. To address these issues, we employ few-shot transfer learning to introduce an innovative approach for accurate contrail segmentation with minimal labeled data. Our methodology leverages backbone segmentation models pre-trained on extensive image datasets and fine-tuned using an augmented contrail-specific dataset. We also introduce a novel loss function, termed SR Loss, which enhances contrail line detection by transforming the image space into Hough space. This transformation results in a significant performance improvement over generic image segmentation loss functions. Our approach offers a robust solution to the challenges posed by limited labeled data and significantly advances the state of contrail detection models.
• Abstract（参考訳）: 大気輸送は、特に温暖化の影響の可能性があるため、気候変動における飛行違反の役割に関して重要な環境問題を引き起こす。 従来のコンピュータビジョン技術は、様々なリモートセンシング画像条件下では困難であり、畳み込みニューラルネットワークを用いた機械学習アプローチは、手書きのコントラルデータセットの不足によって制限される。 これらの問題に対処するために,我々は,最小限のラベル付きデータを用いた高精度な対向セグメンテーションのための革新的手法を導入するために,少人数転送学習を用いる。 提案手法は,拡張されたコントライル固有データセットを用いて,広範な画像データセットに事前学習し,微調整したバックボーンセグメンテーションモデルを活用する。 また,画像空間をハフ空間に変換することで対向線検出を促進する新しい損失関数「sr損失」を導入する。 この変換により、一般的な画像セグメント化損失関数よりも大幅に性能が向上する。 本手法は制限されたラベル付きデータによって生じる課題に対するロバストな解決策を提供し,コントラティル検出モデルの状態を著しく向上させる。

関連論文リスト

• Robust Steganography with Boundary-Preserving Overflow Alleviation and Adaptive Error Correction [14.517951900805317]
  既存の手法は,空間的乱れの影響を低減し,量子化係数の安定性を確保することを目的としている。 既存の方法は、画像画素に顕著な変化を誘発し、抗ステガナリシス性能を損なう可能性がある。 本研究では,空間ブロックの実際のオーバーフロー条件に基づいてオーバーフロー除去操作を行う前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T03:49:18Z)
• InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
  本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。 本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。 我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
  論文  参考訳（メタデータ） (2024-05-18T13:39:50Z)
• DRCT: Saving Image Super-resolution away from Information Bottleneck [7.765333471208582]
  低レベルのビジョンタスクに対するビジョントランスフォーマーベースのアプローチは、広く成功している。 空間情報の損失を軽減するため,Dense-Residual-Connected Transformer (DRCT)を提案する。 提案手法は,ベンチマークデータセットの最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-03-31T15:34:45Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake Image Detection [33.31312811230408]
  顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。 本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。 インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
  論文  参考訳（メタデータ） (2023-10-07T01:23:49Z)
• 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)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)
• Data Augmentation via Mixed Class Interpolation using Cycle-Consistent Generative Adversarial Networks Applied to Cross-Domain Imagery [16.870604081967866]
  機械学習による物体検出と非可視画像内の分類は多くの分野において重要な役割を担っている。 しかし、このような応用は、限られた量の非可視領域画像のためにしばしば苦しむ。 本稿では,可視光帯域画像を利用した新しいデータ拡張手法の提案と評価を行う。
  論文  参考訳（メタデータ） (2020-05-05T18:53:38Z)

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。