論文の概要: DeepLight: Reconstructing High-Resolution Observations of Nighttime
Light With Multi-Modal Remote Sensing Data
- arxiv url: http://arxiv.org/abs/2402.15659v1
- Date: Sat, 24 Feb 2024 00:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 17:28:30.929063
- Title: DeepLight: Reconstructing High-Resolution Observations of Nighttime
Light With Multi-Modal Remote Sensing Data
- Title(参考訳): DeepLight:マルチモードリモートセンシングデータによる夜間光の高分解能観測の再構築
- Authors: Lixian Zhang, Runmin Dong, Shuai Yuan, Jinxiao Zhang, Mengxuan Chen,
Juepeng Zheng, Haohuan Fu
- Abstract要約: 夜間光(NTL)リモートセンシング観測は、一連の持続可能な開発目標を達成するための進捗を定量的に評価するためのユニークなプロキシとして機能する。
本研究では,マルチモーダルリモートセンシングデータを用いた高解像度NTL画像の再構成手法を提案する。
- 参考スコア(独自算出の注目度): 5.144255206022035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nighttime light (NTL) remote sensing observation serves as a unique proxy for
quantitatively assessing progress toward meeting a series of Sustainable
Development Goals (SDGs), such as poverty estimation, urban sustainable
development, and carbon emission. However, existing NTL observations often
suffer from pervasive degradation and inconsistency, limiting their utility for
computing the indicators defined by the SDGs. In this study, we propose a novel
approach to reconstruct high-resolution NTL images using multi-modal remote
sensing data. To support this research endeavor, we introduce DeepLightMD, a
comprehensive dataset comprising data from five heterogeneous sensors, offering
fine spatial resolution and rich spectral information at a national scale.
Additionally, we present DeepLightSR, a calibration-aware method for building
bridges between spatially heterogeneous modality data in the multi-modality
super-resolution. DeepLightSR integrates calibration-aware alignment, an
auxiliary-to-main multi-modality fusion, and an auxiliary-embedded refinement
to effectively address spatial heterogeneity, fuse diversely representative
features, and enhance performance in $8\times$ super-resolution (SR) tasks.
Extensive experiments demonstrate the superiority of DeepLightSR over 8
competing methods, as evidenced by improvements in PSNR (2.01 dB $ \sim $ 13.25
dB) and PIQE (0.49 $ \sim $ 9.32). Our findings underscore the practical
significance of our proposed dataset and model in reconstructing
high-resolution NTL data, supporting efficiently and quantitatively assessing
the SDG progress.
- Abstract(参考訳): 夜間光(ntl)リモートセンシング観測は、貧困推定、都市持続可能な開発、二酸化炭素排出量といった一連の持続可能な開発目標(sdgs)の達成に向けた進捗を定量的に評価するためのユニークな指標である。
しかし、既存のNTL観測はしばしば広範に劣化と矛盾に悩まされ、SDGによって定義された指標の計算に有効性を制限する。
本研究では,マルチモーダルリモートセンシングデータを用いた高解像度NTL画像の再構成手法を提案する。
この研究を支援するために,5つの異種センサからのデータを包含する包括的データセットであるdeeplightmdを導入し,詳細な空間分解能と豊かなスペクトル情報を全国規模で提供する。
さらに,多モード超解像における空間的不均一なモダリティデータ間の橋梁のキャリブレーションを考慮したDeepLightSRを提案する。
deeplightsrは、キャリブレーション・アウェアアライメント、補助対メインのマルチモダリティ融合、そして空間的不均一性に効果的に対処し、多様な代表的特徴を融合し、8ドルの超解像(sr)タスクで性能を向上させる補助埋め込み改良を統合している。
大規模な実験は、PSNR (2.01 dB $ \sim $ 13.25 dB) と PIQE (0.49 $ \sim $ 9.32) の改善によって証明されたように、8つの競合する手法よりもDeepLightSRの方が優れていることを示した。
本研究は,高分解能NTLデータの再構成において,提案するデータセットとモデルの実用的意義を強調し,SDGの進行を効率的に定量的に評価する。
関連論文リスト
- Reinforcement Learning for SAR View Angle Inversion with Differentiable
SAR Renderer [7.112962861847319]
本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。
エージェントと環境との相互作用を容易にするために、微分可能SARレンダリング(DSR)という電磁シミュレータが組み込まれている。
論文 参考訳(メタデータ) (2024-01-02T11:47:58Z) - Multi-Modal Multi-Task (3MT) Road Segmentation [0.8287206589886879]
我々は、多くのSOTA作業で通常行われているように、代わりに生のセンサー入力を使用することに重点を置いており、高い事前処理コストを必要とするアーキテクチャを活用している。
本研究では,複数センサからのデータをマルチタスク学習アーキテクチャに組み込むことにより,道路セグメンテーションの費用対効果,高精度なソリューションを提案する。
論文 参考訳(メタデータ) (2023-08-23T08:15:15Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳(メタデータ) (2023-07-28T16:03:28Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳(メタデータ) (2022-07-14T10:04:18Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳(メタデータ) (2022-06-06T13:28:15Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳(メタデータ) (2021-10-27T07:18:32Z) - 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) - Boosting Image Super-Resolution Via Fusion of Complementary Information
Captured by Multi-Modal Sensors [21.264746234523678]
イメージスーパーレゾリューション(sr)は、低解像度光センサの画質を向上させる有望な技術である。
本稿では,安価なチャネル(可視・深度)からの補完情報を活用して,少ないパラメータを用いて高価なチャネル(熱)の画像品質を向上させる。
論文 参考訳(メタデータ) (2020-12-07T02:15:28Z)
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。