論文の概要: SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM
Super-resolution using Discriminative Spatial Self-attention
- arxiv url: http://arxiv.org/abs/2311.16490v1
- Date: Mon, 27 Nov 2023 12:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 20:14:39.160818
- Title: SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM
Super-resolution using Discriminative Spatial Self-attention
- Title(参考訳): SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM Super- resolution using Discriminative Spatial Self-attention (特集:情報ネットワーク)
- Authors: Subhajit Paul, Ashutosh Gupta
- Abstract要約: DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。
本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について検討する。
本稿では,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
- 参考スコア(独自算出の注目度): 5.178465447325005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital Elevation Model (DEM) is an essential aspect in the remote sensing
domain to analyze and explore different applications related to surface
elevation information. In this study, we intend to address the generation of
high-resolution DEMs using high-resolution multi-spectral (MX) satellite
imagery by incorporating adversarial learning. To promptly regulate this
process, we utilize the notion of polarized self-attention of discriminator
spatial maps as well as introduce a Densely connected Multi-Residual Block
(DMRB) module to assist in efficient gradient flow. Further, we present an
objective function related to optimizing Sinkhorn distance with traditional GAN
to improve the stability of adversarial learning. In this regard, we provide
both theoretical and empirical substantiation of better performance in terms of
vanishing gradient issues and numerical convergence. We demonstrate both
qualitative and quantitative outcomes with available state-of-the-art methods.
Based on our experiments on DEM datasets of Shuttle Radar Topographic Mission
(SRTM) and Cartosat-1, we show that the proposed model performs preferably
against other learning-based state-of-the-art methods. We also generate and
visualize several high-resolution DEMs covering terrains with diverse
signatures to show the performance of our model.
- Abstract(参考訳): DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。
本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について,対角学習を取り入れて検討する。
この過程を迅速に制御するために,判別子空間写像の偏光自着の概念と,集中結合型マルチレジデントブロック(dmrb)モジュールを導入し,効率的な勾配流れを支援する。
さらに,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
この点に関して、勾配問題と数値収束の両面から、より良い性能の理論的および実証的なサブストラテジを提供する。
得られた最先端手法を用いて定性的および定量的な結果を示す。
シャトルレーダ地形計画(srtm)とcartosat-1のdemデータセットを実験した結果,提案手法は他の学習に基づく手法に対して好適な性能を示す。
また、モデルの性能を示すために、多様なシグネチャを持つ地形を網羅する高解像度DEMを複数生成し、視覚化する。
関連論文リスト
- Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳(メタデータ) (2024-02-04T09:07:28Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing
Image Segmentation [66.31941110777734]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - DSR-Diff: Depth Map Super-Resolution with Diffusion Model [38.68563026759223]
本稿では,遅延空間内の拡散モデルを用いて,深度マップの超解像誘導を行う新しいCDSRパラダイムを提案する。
提案手法は,最先端手法と比較して,広範囲な実験において優れた性能を示した。
論文 参考訳(メタデータ) (2023-11-16T14:18:10Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-22T14:04:56Z) - Implicit Neural Representation Learning for Hyperspectral Image
Super-Resolution [0.0]
Inlicit Neural Representations (INR)は、新しい効果的な表現として進歩を遂げている。
本稿では、空間座標を対応するスペクトル放射率値にマッピングする連続関数により、HSIを表すINRに基づく新しいHSI再構成モデルを提案する。
論文 参考訳(メタデータ) (2021-12-20T14:07:54Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - High-resolution Depth Maps Imaging via Attention-based Hierarchical
Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。
本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:28:33Z) - AFN: Attentional Feedback Network based 3D Terrain Super-Resolution [5.349223987137843]
低分解能ディジタル標高モデル(LRDEM)の高分解能化を目的とした,完全畳み込みニューラルネットワークに基づく新しい超解像アーキテクチャを提案する。
我々は、LRDEMと空中画像の情報を選択的に融合させ、高周波の特徴を増強し、現実的に地形を創出する「注意フィードバックネットワーク(AFN)」と呼ばれる注意ベースのフィードバック機構を用いて、LRDEMの超解像を行う。
論文 参考訳(メタデータ) (2020-10-04T16:51:39Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳(メタデータ) (2020-07-10T08:08:20Z) - D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。
DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。
ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
論文 参考訳(メタデータ) (2020-04-09T19:57:49Z)
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。