論文の概要: Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data

• arxiv url: http://arxiv.org/abs/2310.13627v1
• Date: Fri, 20 Oct 2023 16:22:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 21:52:32.051810
• Title: Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data
• Title（参考訳）: 宇宙用ハイパースペクトルPRISMAデータによる深層学習に基づく変化検出
• Authors: J.F. Amieva, A. Austoni, M.A. Brovelli, L. Ansalone, P. Naylor, F. Serva, B. Le Saux
• Abstract要約: 変化検出(CD)法は、光データに何十年も適用されてきたが、スペクトル分解能の細かい超スペクトルデータの使用はめったに研究されていない。 PRecursore IperSpettrale della Missione operativA (PRISMA)により、宇宙からのハイパースペクトルCDが可能になった。 本研究は,自然から都市に至るまで,様々な目標に対して,標準およびディープラーニング(DL)CD手法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change detection (CD) methods have been applied to optical data for decades, while the use of hyperspectral data with a fine spectral resolution has been rarely explored. CD is applied in several sectors, such as environmental monitoring and disaster management. Thanks to the PRecursore IperSpettrale della Missione operativA (PRISMA), hyperspectral-from-space CD is now possible. In this work, we apply standard and deep-learning (DL) CD methods to different targets, from natural to urban areas. We propose a pipeline starting from coregistration, followed by CD with a full-spectrum algorithm and by a DL network developed for optical data. We find that changes in vegetation and built environments are well captured. The spectral information is valuable to identify subtle changes and the DL methods are less affected by noise compared to the statistical method, but atmospheric effects and the lack of reliable ground truth represent a major challenge to hyperspectral CD.
• Abstract（参考訳）: 変化検出(CD)法は光データに何十年も適用されてきたが、スペクトル分解能の優れたハイパースペクトルデータの使用はめったに研究されていない。 CDは環境モニタリングや災害管理などいくつかの分野に適用されている。 PRecursore IperSpettrale della Missione operativA (PRISMA)により、宇宙からのハイパースペクトルCDが可能になった。 本研究は,自然から都市に至るまで,様々なターゲットに標準およびディープラーニング(DL)CD手法を適用した。 コアレジストレーションから始まるパイプラインと,全スペクトルアルゴリズムによるCDと,光学データ用に開発されたDLネットワークを提案する。 植生や建築環境の変化はよく捉えられています。 スペクトル情報は微妙な変化を識別するのに有用であり、DL法は統計的手法に比べてノイズの影響が少ないが、大気効果と信頼性の高い地上事実の欠如は、超スペクトルCDにとって大きな課題である。

関連論文リスト

• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
  動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。 標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。 Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
  論文  参考訳（メタデータ） (2024-04-02T13:43:08Z)
• DeepCL: Deep Change Feature Learning on Remote Sensing Images in the Metric Space [40.32592332449066]
  我々は、堅牢で説明可能な変化検出(CD)のためのDeep Change Feature Learning(DeepCL)フレームワークを提案する。 DeepCLフレームワークは、その優れた特徴識別性、擬似的変化に対するレジリエンス、様々なCDアルゴリズムへの適応性を実証し、理論的および実験的に徹底的に評価されている。
  論文  参考訳（メタデータ） (2023-07-23T02:47:30Z)
• GCD-DDPM: A Generative Change Detection Model Based on Difference-Feature Guided DDPM [7.922421805234563]
  深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている 本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。 4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
  論文  参考訳（メタデータ） (2023-06-06T05:51:50Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• Differencing based Self-supervised pretraining for Scene Change Detection [12.525959293825318]
  シーン変化検出(SCD)は、異なる時間に撮影されたシーンを比較して変化を特定する。 ディープニューラルネットワークベースのソリューションは、大量の注釈付きデータを必要とします。 本稿では,特徴差分を用いた識別表現学習のための自己教師付き事前学習(DSP)手法を提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:06:32Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• Transient motion classification through turbid volumes via parallelized single-photon detection and deep contrastive embedding [12.806431481376787]
  並列化単一光子dEtection (CREPE) を用いた高速デコリレーションイベントの分類手法を提案する。 332時間s32ピクセルSPADアレイからのパラレル化スペックルを用いて、タービッドボリュームの下に隠された異なる非相関運動を高い感度で探索し分類することができる。 これは、例えば異常な脳血流のイベントを識別するなど、通常、深部組織の動きパターンを監視するために応用される可能性がある。
  論文  参考訳（メタデータ） (2022-04-04T14:27:36Z)

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。