論文の概要: Sea-Land-Cloud Segmentation in Satellite Hyperspectral Imagery by Deep
Learning
- arxiv url: http://arxiv.org/abs/2310.16210v2
- Date: Thu, 28 Dec 2023 19:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 01:25:03.800250
- Title: Sea-Land-Cloud Segmentation in Satellite Hyperspectral Imagery by Deep
Learning
- Title（参考訳）: 深層学習による衛星ハイパースペクトル画像の海とクラウドのセグメンテーション
- Authors: Jon Alvarez Justo, Joseph L. Garrett, Mariana-Iuliana Georgescu, Jesus
Gonzalez-Llorente, Radu Tudor Ionescu, Tor Arne Johansen
- Abstract要約: 私たちは16の異なるモデルをトレーニングしています。
我々は,海-海-クラウドセグメンテーションの例としてHYPSO-1ミッションを採用している。
当社の軽量DLモデルである1D-Justo-LiuNetは,海上クラウドセグメンテーションの最先端モデルを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 23.20416522322131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellites are increasingly adopting on-board AI for enhanced autonomy
through in-orbit inference. In this context, the use of deep learning (DL)
techniques for segmentation in hyperspectral (HS) satellite imagery offers
advantages for remote sensing applications, and therefore, we train 16
different models, whose codes are made available through our study, which we
consider to be relevant for on-board multi-class segmentation of HS imagery,
focusing on classifying oceanic (sea), terrestrial (land), and cloud
formations. We employ the HYPSO-1 mission as an illustrative case for
sea-land-cloud segmentation, and to demonstrate the utility of the segments, we
introduce a novel sea-land-cloud ranking application scenario. We consider how
to prioritize HS image downlink based on sea, land, and cloud coverage levels
from the segmented images. We comparatively evaluate the models for future
in-orbit deployment, considering performance, parameter count, and inference
time. The models include both shallow and deep models, and after we propose
four new DL models, we demonstrate that segmenting single spectral signatures
(1D) outperforms 3D data processing comprising both spectral (1D) and spatial
(2D) contexts. We conclude that our lightweight DL model, called
1D-Justo-LiuNet, consistently surpasses state-of-the-art models for
sea-land-cloud segmentation, such as U-Net and its variations, in terms of
performance (0.93 accuracy) and parameter count (4,563). However, the 1D models
present longer inference time (15s) in the tested processing architecture,
which seems to be a suboptimal architecture for this purpose. Finally, after
demonstrating that in-orbit segmentation should occur post L1b radiance
calibration rather than on raw data, we also show that reducing spectral
channels down to 3 lowers models' parameter counts and inference time, at the
cost of weaker segmentation performance.
- Abstract（参考訳）: 衛星は、軌道上の推論を通じて自律性を高めるために、オンボードAIの採用が増えている。
この文脈において、高スペクトル(HS)衛星画像のセグメンテーションにおける深層学習(DL)技術の利用は、リモートセンシングの利点をもたらすため、我々は16種類の異なるモデルを訓練し、そのコードは我々の研究を通して利用可能としており、我々は、海洋(海)、地球(陸)、雲の形成の分類に焦点をあてた、HS画像のマルチクラスセグメンテーションに関係していると考えている。
我々は,海陸クラウドセグメンテーションの実証事例としてHYPSO-1ミッションを採用し,その有効性を示すために,新しい海陸クラウドランキングアプリケーションシナリオを導入する。
セグメント画像から海,陸,雲のカバレッジレベルに基づいて,hs画像のダウンリンクを優先順位付けする方法を検討する。
性能,パラメータ数,推測時間などを考慮し,将来の軌道配置のモデルについて比較検討した。
モデルには浅部モデルと深部モデルの両方が含まれており、新たに4つのDLモデルを提案すると、スペクトル(1D)と空間(2D)の両方のコンテキストからなる1つのスペクトルシグネチャ(1D)のセグメンテーションが3Dデータ処理より優れていることを示す。
1D-Justo-LiuNet と呼ばれる軽量DLモデルは,U-Net などの海面-クラウドセグメンテーションの最先端モデルを,性能 (0.93 精度) とパラメータ数 (4,563) で一貫して上回っている。
しかし、1dモデルは、テストされた処理アーキテクチャにおいて、より長い推論時間(15s)しか持たない。
最後に、軌道内セグメンテーションが生データよりもL1bの放射率キャリブレーション後に起こることを実証した後、より弱いセグメンテーション性能を犠牲にして、スペクトルチャネルを3つのモデルのパラメータ数と推論時間を減少させることを示した。
関連論文リスト
- A Closer Look at Spatial-Slice Features Learning for COVID-19 Detection [8.215897530386343]
我々は,CTスキャンに特化して設計されたSpatial-Slice Feature Learning (SSFL++) フレームワークを提案する。
本研究の目的は,全CTスキャンでOODデータをフィルタリングし,70%の冗長性を完全に低減し,解析のための重要な空間スライスを選択することである。
実験では、トレーニングデータの1%しか持たない単純なE2D(EfficientNet-2D)モデルを用いて、我々のモデルの有望な性能を実証した。
論文 参考訳（メタデータ） (2024-04-02T05:19:27Z) - Deep Learning for In-Orbit Cloud Segmentation and Classification in
Hyperspectral Satellite Data [0.7574855592708002]
本稿では、ハイパースペクトル衛星を用いたクラウド検出のための最新の畳み込みニューラルネットワーク(CNN)について検討する。
クラウドセグメンテーションと分類のための最新の1D CNN(1D-Justo-LiuNet)と最近の2D CNN(nnU-netと2D-Justo-UNet-Simple)の性能を評価する。
論文 参考訳（メタデータ） (2024-03-13T16:58:37Z) - A Light-weight Deep Learning Model for Remote Sensing Image
Classification [70.66164876551674]
リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。
NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
論文 参考訳（メタデータ） (2023-02-25T09:02:01Z) - EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for
Mobile Vision Applications [68.35683849098105]
入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。
1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。
パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
論文 参考訳（メタデータ） (2022-06-21T17:59:56Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
1枚以上の画像から3D屋内シーンを没入する問題について検討する。
我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。
本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
論文 参考訳（メタデータ） (2022-04-06T17:54:46Z) - Highly Accurate Dichotomous Image Segmentation [139.79513044546]
Dichotomous Image segmentation (DIS)と呼ばれる新しいタスクは、自然画像から高度に正確な物体を抽出することを目的としている。
私たちは、5,470の高解像度画像(例えば、2K、4K以上の画像)を含む最初の大規模データセットdis5Kを収集します。
また、Disdisモデルトレーニングのための特徴レベルとマスクレベルの両方のガイダンスを用いて、単純な中間監視ベースライン(IS-Net)を導入する。
論文 参考訳（メタデータ） (2022-03-06T20:09:19Z) - 1D CNN Based Network Intrusion Detection with Normalization on
Imbalanced Data [0.19336815376402716]
侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。
最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。
1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-03-01T12:23:46Z)
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。