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
- Exploring DINO: Emergent Properties and Limitations for Synthetic
Aperture Radar Imagery [5.057850174013128]
本研究では,No Labels(DINO)アルゴリズムによる自己蒸留の創発的特性と合成開口レーダ(SAR)画像への応用について検討する。
我々は、ラベルのないSARデータを用いて視覚変換器(ViT)ベースのDINOモデルを事前訓練し、その後、高解像度のランドカバーマップを予測するためにモデルを微調整する。
本稿では,VTアテンションマップがリモートセンシングの本質的な価値を保ち,他のアルゴリズムに有用なインプットを提供することを示す。
論文 参考訳(メタデータ) (2023-10-05T12:48:12Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-06-15T07:41:12Z) - Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D
Point Clouds via Signature Shape Identification [52.77024349608834]
SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。
ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。
40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
論文 参考訳(メタデータ) (2023-06-13T14:36:06Z) - SATR: Zero-Shot Semantic Segmentation of 3D Shapes [74.08209893396271]
大規模オフザシェルフ2次元画像認識モデルを用いて3次元形状のゼロショットセマンティックセマンティックセマンティックセグメンテーションの課題について検討する。
本研究では、SATRアルゴリズムを開発し、ShapeNetPartと提案したFAUSTベンチマークを用いて評価する。
SATRは最先端のパフォーマンスを達成し、ベースラインアルゴリズムを平均mIoUの1.3%と4%で上回っている。
論文 参考訳(メタデータ) (2023-04-11T00:43:16Z) - Guided deep learning by subaperture decomposition: ocean patterns from
SAR imagery [36.922471841100176]
センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。
本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
論文 参考訳(メタデータ) (2022-04-09T09:49:05Z) - 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) - Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer
Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。
従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。
本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文 参考訳(メタデータ) (2020-12-07T03:44:35Z) - Deep Learning based Segmentation of Fish in Noisy Forward Looking MBES
Images [1.5469452301122177]
セマンティックセグメンテーションのためのディープラーニング(DL)と畳み込みニューラルネットワーク(CNN)の最近の進歩に基づいて構築する。
画像ソナーによって投影される全ての射程方位位置に対する魚・魚・魚の確率予測のためのエンドツーエンドのアプローチを実証する。
我々は,本モデルが所望のパフォーマンスを証明し,意味的文脈の重要性を活用することを学習したことを示す。
論文 参考訳(メタデータ) (2020-06-16T09:57:38Z) - A Nearest Neighbor Network to Extract Digital Terrain Models from 3D
Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。
我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文 参考訳(メタデータ) (2020-05-21T15:54:55Z)
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。