Fugu-MT 論文翻訳(概要): Learning Class-Specific Spectral Patterns to Improve Deep Learning Based Scene-Level Fire Smoke Detection from Multi-Spectral Satellite Imagery

論文の概要: Learning Class-Specific Spectral Patterns to Improve Deep Learning Based Scene-Level Fire Smoke Detection from Multi-Spectral Satellite Imagery

arxiv url: http://arxiv.org/abs/2310.01711v1
Date: Tue, 3 Oct 2023 00:47:17 GMT
ステータス: 処理完了
システム内更新日: 2023-10-04 18:05:41.449331
Title: Learning Class-Specific Spectral Patterns to Improve Deep Learning Based Scene-Level Fire Smoke Detection from Multi-Spectral Satellite Imagery
Title（参考訳）: マルチスペクトル衛星画像からの深層学習に基づくシーンレベル火災煙検出のためのクラススペクトルパターンの学習
Authors: Liang Zhao, Jixue Liu, Stefan Peters, Jiuyong Li, Norman Mueller, Simon Oliver
Abstract要約: 本稿では,マルチスペクトル衛星画像からクラス固有のスペクトルパターンを自動的に学習するインプット(Integration, InAmp)と呼ばれるDLモジュールを提案する。実験の結果,InAmpモジュールはCNNモデルの煙煙検出精度を向上させることがわかった。
参考スコア（独自算出の注目度）: 15.93773073783857
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Detecting fire smoke is crucial for the timely identification of early wildfires using satellite imagery. However, the spatial and spectral similarity of fire smoke to other confounding aerosols, such as clouds and haze, often confuse even the most advanced deep-learning (DL) models. Nonetheless, these aerosols also present distinct spectral characteristics in some specific bands, and such spectral patterns are useful for distinguishing the aerosols more accurately. Early research tried to derive various threshold values from the reflectance and brightness temperature in specific spectral bands to differentiate smoke and cloud pixels. However, such threshold values were determined based on domain knowledge and are hard to generalise. In addition, such threshold values were manually derived from specific combinations of bands to infer spectral patterns, making them difficult to employ in deep-learning models. In this paper, we introduce a DL module called input amplification (InAmp) which is designed to enable DL models to learn class-specific spectral patterns automatically from multi-spectral satellite imagery and improve the fire smoke detection accuracy. InAmp can be conveniently integrated with different DL architectures. We evaluate the effectiveness of the InAmp module on different Convolutional neural network (CNN) architectures using two satellite imagery datasets: USTC_SmokeRS, derived from Moderate Resolution Imaging Spectroradiometer (MODIS) with three spectral bands; and Landsat_Smk, derived from Landsat 5/8 with six spectral bands. Our experimental results demonstrate that the InAmp module improves the fire smoke detection accuracy of the CNN models. Additionally, we visualise the spectral patterns extracted by the InAmp module using test imagery and demonstrate that the InAmp module can effectively extract class-specific spectral patterns.
Abstract（参考訳）: 衛星画像を用いた早期の山火事の早期同定には,火煙の検出が重要である。しかし、煙の空間的およびスペクトル的な類似性は、雲やヘイズのような他の大気エアロゾルと異なり、最も先進的な深層学習(DL)モデルでさえ混乱することが多い。しかしながら、これらのエアロゾルは特定の帯域で異なるスペクトル特性を示しており、これらのスペクトルパターンはより正確にエアロゾルを識別するのに有用である。初期の研究は、煙と雲のピクセルを区別するために、特定のスペクトル帯の反射率と輝度温度から様々な閾値を導出しようとした。しかし、そのようなしきい値はドメインの知識に基づいて決定され、一般化が困難である。さらに、これらの閾値はスペクトルパターンを推測するためにバンドの特定の組み合わせから手動で導かれるため、ディープラーニングモデルでは採用が困難である。本稿では,多スペクトル衛星画像からDLモデルでクラス固有のスペクトルパターンを自動学習し,火災煙検出精度を向上させることを目的とした,インプット増幅(Inmpmp)と呼ばれるDLモジュールを提案する。 InAmpは様々なDLアーキテクチャと便利に統合できる。 InAmpモジュールの異なる畳み込みニューラルネットワーク(CNN)アーキテクチャにおける2つの衛星画像データセット(USTC_SmokeRS、モード分解能イメージング分光放射計(MODIS)と、ランドサット5/8から6つのスペクトル帯域を持つランドサット_Smk)の有効性を評価した。実験の結果,InAmpモジュールはCNNモデルの煙煙検出精度を向上させることがわかった。さらに、テスト画像を用いてInAmpモジュールが抽出したスペクトルパターンを可視化し、InAmpモジュールがクラス固有のスペクトルパターンを効果的に抽出できることを実証する。

関連論文リスト

Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
SSDiff: Spatial-spectral Integrated Diffusion Model for Remote Sensing Pansharpening [14.293042131263924]
本稿では,空間スペクトル統合拡散モデルを導入し,リモートセンシングパンシャーピングタスクであるSSDiffについて述べる。 SSDiffは、パンシャルペン過程を部分空間分解の観点から、空間成分とスペクトル成分の融合過程とみなしている。
論文参考訳（メタデータ） (2024-04-17T16:30:56Z)
SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
論文参考訳（メタデータ） (2023-11-13T07:09:30Z)
DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文参考訳（メタデータ） (2023-10-29T15:26:37Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
SAR-NeRF: Neural Radiance Fields for Synthetic Aperture Radar Multi-View Representation [7.907504142396784]
本研究では、SARイメージング機構とニューラルネットワークを組み合わせることで、SAR画像生成のための新しいNeRFモデルを提案する。 SAR-NeRFは、ボクセルの減衰係数と散乱強度の分布を学習するために構築される。その結果,SAR-NeRFオーグメンテーションデータセットは,数ショットの学習設定でSARターゲット分類性能を大幅に向上できることがわかった。
論文参考訳（メタデータ） (2023-07-11T07:37:56Z)
All-optical image classification through unknown random diffusers using a single-pixel diffractive network [13.7472825798265]
ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
論文参考訳（メタデータ） (2022-08-08T08:26:08Z)
Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-11-15T16:59:48Z)
Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文参考訳（メタデータ） (2021-08-31T02:13:00Z)
SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
論文参考訳（メタデータ） (2021-07-07T02:59:21Z)
A lightweight deep learning based cloud detection method for Sentinel-2A imagery fusing multi-scale spectral and spatial features [17.914305435378783]
マルチスケールスペクトル・空間特性(CDFM3SF)を融合したクラウド検出のための軽量ネットワークを提案する。 CDFM3SFは、従来のクラウド検出方法と最先端のディープラーニングベースの手法を精度と速度の両方で上回る。
論文参考訳（メタデータ） (2021-04-29T09:36:42Z)

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。