論文の概要: Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image

• arxiv url: http://arxiv.org/abs/2401.03182v1
• Date: Sat, 6 Jan 2024 09:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 20:00:41.104974
• Title: Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image
• Title（参考訳）: FY-4A衛星画像における分布認識型インタラクティブアテンションネットワークと大規模クラウド認識ベンチマーク
• Authors: Jiaqing Zhang, Jie Lei, Weiying Xie, Kai Jiang, Mingxiang Cao, Yunsong Li
• Abstract要約: 我々は,正確なクラウド認識のための新しいデータセットを開発した。 領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。 また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
• 参考スコア（独自算出の注目度）: 24.09239785062109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate cloud recognition and warning are crucial for various applications, including in-flight support, weather forecasting, and climate research. However, recent deep learning algorithms have predominantly focused on detecting cloud regions in satellite imagery, with insufficient attention to the specificity required for accurate cloud recognition. This limitation inspired us to develop the novel FY-4A-Himawari-8 (FYH) dataset, which includes nine distinct cloud categories and uses precise domain adaptation methods to align 70,419 image-label pairs in terms of projection, temporal resolution, and spatial resolution, thereby facilitating the training of supervised deep learning networks. Given the complexity and diversity of cloud formations, we have thoroughly analyzed the challenges inherent to cloud recognition tasks, examining the intricate characteristics and distribution of the data. To effectively address these challenges, we designed a Distribution-aware Interactive-Attention Network (DIAnet), which preserves pixel-level details through a high-resolution branch and a parallel multi-resolution cross-branch. We also integrated a distribution-aware loss (DAL) to mitigate the imbalance across cloud categories. An Interactive Attention Module (IAM) further enhances the robustness of feature extraction combined with spatial and channel information. Empirical evaluations on the FYH dataset demonstrate that our method outperforms other cloud recognition networks, achieving superior performance in terms of mean Intersection over Union (mIoU). The code for implementing DIAnet is available at https://github.com/icey-zhang/DIAnet.
• Abstract（参考訳）: 正確な雲の認識と警告は、飛行中のサポート、天気予報、気候調査など様々な用途に不可欠である。 しかし、最近のディープラーニングアルゴリズムは、衛星画像中のクラウド領域の検出に主に重点を置いており、正確なクラウド認識に必要な特異性にはあまり注意を払っていない。 この制限により、9つの異なるクラウドカテゴリを含む新しいFY-4A-Himawari-8(FYH)データセットを開発し、プロジェクション、時間分解能、空間分解能の観点で70,419のイメージラベル対を整列させる正確なドメイン適応手法を用いて、教師付きディープラーニングネットワークのトレーニングを容易にすることができた。 クラウド形成の複雑さと多様性を考慮すると、クラウド認識タスクに固有の課題を徹底的に分析し、データの複雑な特性と分布を調べる。 これらの課題を効果的に解決するために,高分解能ブランチと並列多分解能クロスブランチを通じて画素レベルの詳細を保存する分散対応インタラクティブアテンションネットワーク(DIAnet)を設計した。 また、クラウドカテゴリ間の不均衡を軽減するために、分散認識損失(DAL)を統合しました。 インタラクティブアテンションモジュール(iam)は、空間情報とチャネル情報とを組み合わせた特徴抽出のロバスト性をさらに向上させる。 FYHデータセットの実証評価は,本手法が他のクラウド認識ネットワークより優れており,平均的相互接続(mIoU)において優れた性能を発揮することを示す。 dianetの実装コードはhttps://github.com/icey-zhang/dianetで利用可能である。

関連論文リスト

• BenchCloudVision: A Benchmark Analysis of Deep Learning Approaches for Cloud Detection and Segmentation in Remote Sensing Imagery [0.0]
  本稿では,雲の識別に応用した7つの最先端セマンティックセマンティックセマンティクスと検出アルゴリズムについて検討する。 モデルの適応性を高めるために、トレーニング中に使用される画像の種類とスペクトル帯域の量を含む重要な要素を解析する。 研究は、少数のスペクトルバンドだけでクラウドセグメンテーションを実行できる機械学習アルゴリズムを作成しようとしている。
  論文  参考訳（メタデータ） (2024-02-21T16:32:43Z)
• DCS-Net: Pioneering Leakage-Free Point Cloud Pretraining Framework with Global Insights [55.051626723729896]
  微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。 グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。 実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
  論文  参考訳（メタデータ） (2024-02-03T08:58:23Z)
• CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
  ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。 本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
  論文  参考訳（メタデータ） (2023-11-29T09:31:31Z)
• Unsupervised Spike Depth Estimation via Cross-modality Cross-domain Knowledge Transfer [53.413305467674434]
  スパイク深度推定をサポートするためにオープンソースのRGBデータを導入し,そのアノテーションと空間情報を活用する。 教師なしスパイク深さ推定を実現するために,クロスモーダルクロスドメイン(BiCross)フレームワークを提案する。 提案手法は,RGB指向の教師なし深度推定法と比較して,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-08-26T09:35:20Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Contrastive Embedding Distribution Refinement and Entropy-Aware Attention for 3D Point Cloud Classification [3.710922682020501]
  この作業は、任意のポイントクラウド分類ネットワークに組み込むことができる対照的な学習アプローチを通じて、強力な表現を学ぶための新しい戦略を提供する。 本手法は実世界のScanObjectNNデータセットにおいて82.9%の精度を実現し,DCGNNでは2.9%,PointNet++では3.1%,GBNetでは2.4%の大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2022-01-27T09:10:28Z)
• Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder [10.660968055962325]
  自動回転不変クラウドクラスタリング(RICC)法について述べる。 大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。 その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-08T16:45:14Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
  アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。 マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。 我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
  論文  参考訳（メタデータ） (2020-07-29T22:52:28Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。