論文の概要: Combining UPerNet and ConvNeXt for Contrails Identification to reduce
Global Warming
- arxiv url: http://arxiv.org/abs/2310.04808v1
- Date: Sat, 7 Oct 2023 13:59:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 15:28:46.159101
- Title: Combining UPerNet and ConvNeXt for Contrails Identification to reduce
Global Warming
- Title（参考訳）: UPerNetとConvNeXtを組み合わせたコントラル同定による地球温暖化低減
- Authors: Zhenkuan Wang
- Abstract要約: 本研究は,地球規模の衛星画像における航空機のコントラル検出に着目し,コントラルモデルの改善と気候変動への影響を緩和する。
NOAA GOES-16衛星画像のための革新的なデータ前処理技術を開発した。
クラス不均衡に取り組むために、トレーニングデータセットは、正の反則ラベルを持つイメージのみを含む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation is a critical tool in computer vision, applied in
various domains like autonomous driving and medical imaging. This study focuses
on aircraft contrail detection in global satellite images to improve contrail
models and mitigate their impact on climate change.An innovative data
preprocessing technique for NOAA GOES-16 satellite images is developed, using
brightness temperature data from the infrared channel to create false-color
images, enhancing model perception. To tackle class imbalance, the training
dataset exclusively includes images with positive contrail labels.The model
selection is based on the UPerNet architecture, implemented using the
MMsegmentation library, with the integration of two ConvNeXt configurations for
improved performance. Cross-entropy loss with positive class weights enhances
contrail recognition. Fine-tuning employs the AdamW optimizer with a learning
rate of $2.5 \times 10^{-4}$.During inference, a multi-model prediction fusion
strategy and a contrail determination threshold of 0.75 yield a binary
prediction mask. RLE encoding is used for efficient prediction result
organization.The approach achieves exceptional results, boasting a high Dice
coefficient score, placing it in the top 5\% of participating teams. This
underscores the innovative nature of the segmentation model and its potential
for enhanced contrail recognition in satellite imagery.For further exploration,
the code and models are available on GitHub:
\url{https://github.com/biluko/2023GRIC.git}.
- Abstract（参考訳）: セマンティックセグメンテーションはコンピュータビジョンにおいて重要なツールであり、自律運転や医療画像などの様々な領域に適用されている。
本研究では,NOAA GOES-16衛星画像のための革新的なデータ前処理技術を開発し,赤外線チャンネルからの輝度温度データを用いて偽色画像を作成し,モデル知覚を向上させる。
モデルの選択は、mmsegmentationライブラリを使用して実装されたupernetアーキテクチャに基づいており、パフォーマンスを改善するために2つのconvnext構成を統合する。
正のクラス重みを持つクロスエントロピー損失は、反則認識を高める。
ファインチューニングはAdamWオプティマイザを使用し、学習レートは2.5 \times 10^{-4}$である。
推測中、多モデル予測融合戦略と反則判定しきい値0.75は二値予測マスクを生成する。
RLEエンコーディングは、効率的な予測結果の組織化に使われ、この手法は、高いDice係数スコアを誇示し、参加チームの上位56%に配置する、例外的な結果を達成する。
これはセグメンテーションモデルの革新的な性質と、衛星画像におけるコントラティル認識の強化の可能性を強調している。さらなる調査のために、コードとモデルはgithubで入手できる。
関連論文リスト
- Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。
さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
論文 参考訳（メタデータ） (2024-06-21T10:33:09Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - Transformer-based Clipped Contrastive Quantization Learning for
Unsupervised Image Retrieval [15.982022297570108]
教師なし画像検索は、与えられたクエリ画像の類似画像を取得するために、任意のレベルなしに重要な視覚的特徴を学習することを目的としている。
本稿では,パッチベースの処理により局所的なコンテキストを持つTransformerを用いて,画像のグローバルコンテキストを符号化するTransClippedCLRモデルを提案する。
提案したクリップ付きコントラスト学習の結果は、バニラコントラスト学習と同一のバックボーンネットワークと比較して、すべてのデータセットで大幅に改善されている。
論文 参考訳（メタデータ） (2024-01-27T09:39:11Z) - 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) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Robustifying Deep Vision Models Through Shape Sensitization [19.118696557797957]
そこで本研究では,ネットワークの全体像を学習するためのインセンティブを明示的に付与する,シンプルで軽量な対向拡張手法を提案する。
我々の拡張は、ランダムに決定された混合比を用いて、シャッフルパッチで、ある画像から別の画像へのエッジマップを重畳する。
この拡張により,データセットやニューラルアーキテクチャの分類精度とロバストネスが大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-11-14T11:17:46Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳（メタデータ） (2022-06-09T09:17:38Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Greenhouse Segmentation on High-Resolution Optical Satellite Imagery
using Deep Learning Techniques [0.0]
本稿では,光衛星アゼルスキー (SPOT-7) が取得した画像の画素ワイズ分類のための音響手法を提案する。
U-Netのようなアーキテクチャのカスタマイズされたバリエーションは、温室を特定するために使用される。
拡張畳み込みとスキップ接続を独自に組み込んだ2つのモデルが提案されている。
論文 参考訳（メタデータ） (2020-07-22T06:12:57Z)
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。