論文の概要: Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning

• arxiv url: http://arxiv.org/abs/2310.16210v4
• Date: Fri, 25 Oct 2024 12:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:34:10.107841
• Title: Semantic 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セマンティックセグメンテーション
• Authors: Jon Alvarez Justo, Alexandru Ghita, Daniel Kovac, Joseph L. Garrett, Mariana-Iuliana Georgescu, Jesus Gonzalez-Llorente, Radu Tudor Ionescu, Tor Arne Johansen,
• Abstract要約: 本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
• 参考スコア（独自算出の注目度）: 54.094272065609815
• License:
• Abstract: Satellites are increasingly adopting on-board AI to optimize operations and increase autonomy through in-orbit inference. The use of Deep Learning (DL) models for segmentation in hyperspectral imagery offers advantages for remote sensing applications. In this work, we train and test 20 models for multi-class segmentation in hyperspectral imagery, selected for their potential in future space deployment. These models include 1D and 2D Convolutional Neural Networks (CNNs) and the latest vision transformers (ViTs). We propose a lightweight 1D-CNN model, 1D-Justo-LiuNet, which outperforms state-of-the-art models in the hypespectral domain. 1D-Justo-LiuNet exceeds the performance of 2D-CNN UNets and outperforms Apple's lightweight vision transformers designed for mobile inference. 1D-Justo-LiuNet achieves the highest accuracy (0.93) with the smallest model size (4,563 parameters) among all tested models, while maintaining fast inference. Unlike 2D-CNNs and ViTs, which encode both spectral and spatial information, 1D-Justo-LiuNet focuses solely on the rich spectral features in hyperspectral data, benefitting from the high-dimensional feature space. Our findings are validated across various satellite datasets, with the HYPSO-1 mission serving as the primary case study for sea, land, and cloud segmentation. We further confirm our conclusions through generalization tests on other hyperspectral missions, such as NASA's EO-1. Based on its superior performance and compact size, we conclude that 1D-Justo-LiuNet is highly suitable for in-orbit deployment, providing an effective solution for optimizing and automating satellite operations at edge.
• Abstract（参考訳）: 衛星は、運用を最適化し、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をますます採用している。 ハイパースペクトル画像のセグメンテーションにおけるディープラーニング(DL)モデルの利用は、リモートセンシングアプリケーションに有利である。 本研究では,ハイパースペクトル画像におけるマルチクラスセグメンテーションのための20種類のモデルを訓練し,テストする。 これらのモデルには、1Dおよび2D畳み込みニューラルネットワーク(CNN)と最新のビジョントランスフォーマー(ViT)が含まれる。 本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは2D-CNN UNetsの性能を超え、モバイル推論用に設計されたAppleの軽量ビジョントランスフォーマーを上回っている。 1D-Justo-LiuNetは、高速な推論を維持しながら、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) で最大精度 (0.93) を達成する。 スペクトル情報と空間情報をエンコードする2D-CNNやViTとは異なり、1D-Justo-LiuNetは高スペクトルデータの豊富なスペクトル特徴にのみ焦点をあて、高次元の特徴空間の恩恵を受ける。 本研究は, 海, 陸, 雲のセグメンテーションにおいて, HYPSO-1ミッションが主要なケーススタディとして機能し, 様々な衛星データセットにまたがって検証された。 我々は、NASAのEO-1のような他のハイパースペクトルミッションの一般化テストを通じて、我々の結論をさらに確認する。 1D-Justo-LiuNetは、その優れた性能とコンパクトなサイズから、軌道内展開に非常に適しており、エッジでの衛星操作の最適化と自動化に有効なソリューションを提供すると結論付けている。

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。