論文の概要: A full-resolution training framework for Sentinel-2 image fusion
- arxiv url: http://arxiv.org/abs/2307.14864v1
- Date: Thu, 27 Jul 2023 13:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:20:05.962669
- Title: A full-resolution training framework for Sentinel-2 image fusion
- Title(参考訳): sentinel-2画像融合のためのフルレゾリューショントレーニングフレームワーク
- Authors: Matteo Ciotola, Mario Ragosta, Giovanni Poggi, Giuseppe Scarpa
- Abstract要約: この研究は、超高解像度画像のためのディープラーニングモデルをトレーニングするための新しい教師なしフレームワークを提供する。
提案手法は、教師付きケースでトレーニングデータを生成するのに必要な分解能の低下を回避する。
教師なしの性質にもかかわらず、提案手法は教師付きアプローチと比較して有望な結果を示した。
- 参考スコア(独自算出の注目度): 3.938057685137866
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work presents a new unsupervised framework for training deep learning
models for super-resolution of Sentinel-2 images by fusion of its 10-m and 20-m
bands. The proposed scheme avoids the resolution downgrade process needed to
generate training data in the supervised case. On the other hand, a proper loss
that accounts for cycle-consistency between the network prediction and the
input components to be fused is proposed. Despite its unsupervised nature, in
our preliminary experiments the proposed scheme has shown promising results in
comparison to the supervised approach. Besides, by construction of the proposed
loss, the resulting trained network can be ascribed to the class of
multi-resolution analysis methods.
- Abstract(参考訳): 本研究は、10m帯と20m帯の融合によるsentinel-2画像の超解像のためのディープラーニングモデルを訓練するための新しい教師なしフレームワークを提案する。
提案手法は,教師付き事例におけるトレーニングデータ生成に必要な分解能低下プロセスを回避する。
一方,ネットワーク予測と入力コンポーネントの融合のサイクル一貫性を考慮に入れた適切な損失が提案されている。
その教師なしの性質にもかかわらず,予備実験では,提案手法が教師なしアプローチと比較して有望な結果を示している。
さらに、提案する損失の構成により、得られた訓練されたネットワークは、マルチレゾリューション分析手法のクラスに分類できる。
関連論文リスト
- Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。
アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。
提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
論文 参考訳(メタデータ) (2023-12-25T18:51:23Z) - Unsupervised Deep Learning-based Pansharpening with Jointly-Enhanced
Spectral and Spatial Fidelity [4.425982186154401]
本稿では,この手法の可能性をフル活用した,ディープラーニングに基づくパンシャーピングモデルを提案する。
提案モデルでは,パンシャーペンデータのスペクトルと空間的品質を協調的に向上する新たな損失関数を特徴とする。
挑戦的なシナリオで実施された多種多様なテスト画像の実験により,提案手法が技術状況と良好に比較できることが実証された。
論文 参考訳(メタデータ) (2023-07-26T17:25:28Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-03-21T17:59:50Z) - On the pitfalls of entropy-based uncertainty for multi-class
semi-supervised segmentation [8.464487190628395]
半教師付き学習は、限られた監督で深層モデルを訓練するための魅力的な戦略として現れてきた。
本稿では,この戦略がマルチクラスコンテキストにおける最適以下の結果をもたらすことを実証する。
本稿では,クラス間の重なり合いを考慮に入れた分散距離に基づいて,マルチクラス設定における不確実性を計算する方法を提案する。
論文 参考訳(メタデータ) (2022-03-07T18:35:17Z) - Mixed-supervised segmentation: Confidence maximization helps knowledge
distillation [24.892332859630518]
本研究では,ディープニューラルネットワークのためのデュアルブランチアーキテクチャを提案する。
上枝(教師)は強い注釈を受け、下枝(学生)は限られた監督によって駆動され、上枝が指導する。
エントロピーとKLの発散の相乗効果は性能を著しく向上させることを示した。
論文 参考訳(メタデータ) (2021-09-21T20:06:13Z) - Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。
スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。
提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文 参考訳(メタデータ) (2021-05-25T02:17:56Z) - THAT: Two Head Adversarial Training for Improving Robustness at Scale [126.06873298511425]
本研究では,大規模多クラスイメージネットデータセットを扱うために設計された2ストリームの逆学習ネットワークであるhead adversarial trainingを提案する。
提案手法では,2つのヘッドと2つの損失関数を持つネットワークを訓練する。1つは自然画像と逆画像間の特徴空間領域シフトを最小化し,もう1つは高い分類精度を促進する。
論文 参考訳(メタデータ) (2021-03-25T05:32:38Z) - Training Generative Adversarial Networks in One Stage [58.983325666852856]
本稿では,1段階のみに効率よくGANを訓練できる汎用的なトレーニング手法を提案する。
提案手法は,データフリーな知識蒸留など,他の逆学習シナリオにも容易に適用可能であることを示す。
論文 参考訳(メタデータ) (2021-02-28T09:03:39Z) - Step-Ahead Error Feedback for Distributed Training with Compressed
Gradient [99.42912552638168]
集中型分散トレーニングにおける局所的エラーフィードバックによって,新たな"段階的ミスマッチ"問題が発生することを示す。
本稿では, 厳密な理論的解析を施した2つの新しい手法, 1) 一歩前進, 2) 誤差平均化を提案する。
論文 参考訳(メタデータ) (2020-08-13T11:21:07Z)
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。