論文の概要: Self-Supervision in Time for Satellite Images(S3-TSS): A novel method of
SSL technique in Satellite images
- arxiv url: http://arxiv.org/abs/2403.04859v2
- Date: Mon, 11 Mar 2024 09:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 13:19:13.247793
- Title: Self-Supervision in Time for Satellite Images(S3-TSS): A novel method of
SSL technique in Satellite images
- Title（参考訳）: 衛星画像のセルフスーパービジョン(S3-TSS):衛星画像におけるSSL技術の新しい手法
- Authors: Akansh Maurya, Hewan Shrestha, Mohammad Munem Shahriar
- Abstract要約: S3-TSSは,時間次元で発生する自然増進を生かした自己教師型学習手法である。
提案手法は,4つの下流データセットにおいて,ベースラインのSeCoよりも優れた性能を示すことができた。
- 参考スコア（独自算出の注目度）: 0.38366697175402226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the limited availability of labeled data with various atmospheric
conditions in remote sensing images, it seems useful to work with
self-supervised algorithms. Few pretext-based algorithms, including from
rotation, spatial context and jigsaw puzzles are not appropriate for satellite
images. Often, satellite images have a higher temporal frequency. So, the
temporal dimension of remote sensing data provides natural augmentation without
requiring us to create artificial augmentation of images. Here, we propose
S3-TSS, a novel method of self-supervised learning technique that leverages
natural augmentation occurring in temporal dimension. We compare our results
with current state-of-the-art methods and also perform various experiments. We
observed that our method was able to perform better than baseline SeCo in four
downstream datasets. Code for our work can be found here:
https://github.com/hewanshrestha/Why-Self-Supervision-in-Time
- Abstract（参考訳）: リモートセンシング画像における様々な大気条件のラベル付きデータの可用性が制限されているため、自己教師付きアルゴリズムで作業することが有用である。
衛星画像には、回転、空間的文脈、ジグソーパズルなどのプリテキストベースのアルゴリズムが適していない。
しばしば、衛星画像は時間周波数が高い。
したがって、リモートセンシングデータの時間次元は、画像の人工的な拡張を必要とせずに自然な拡張を提供する。
本稿では,時間次元における自然増進を利用した自己教師型学習手法であるS3-TSSを提案する。
この結果と現在の最先端手法を比較し,様々な実験を行った。
提案手法は,4つの下流データセットにおいて,ベースラインSeCoよりも優れた性能を示した。
私たちの仕事のコードはこちら。 https://github.com/hewanshrestha/why-self-supervision-in-time。
関連論文リスト
- Towards Temporal Change Explanations from Bi-Temporal Satellite Images [28.445851360368803]
本稿では,衛星画像間の時間的変化を説明するために,大規模視覚言語モデルの有用性について検討する。
本稿では,衛星画像のパーパを入力として扱う3つのプロンプト手法を提案する。
人間の評価により,ステップ・バイ・ステップの推論に基づく推論の有効性を見出した。
論文 参考訳（メタデータ） (2024-06-27T12:49:22Z) - SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。
アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。
実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
論文 参考訳（メタデータ） (2024-06-14T17:58:28Z) - SAT-NGP : Unleashing Neural Graphics Primitives for Fast Relightable Transient-Free 3D reconstruction from Satellite Imagery [3.520702955309002]
現在のステレオビジョンパイプラインは、衛星画像の複数のペアや三脚を使用する場合、高精度な3D再構成を実現する。
学習を高速化するために,効率的なサンプリング戦略とマルチレゾリューションハッシュエンコーディングを提案する。
衛星ニューラルネットワークプリミティブ(SAT-NGP)は3次元再構成の品質を維持しながら学習時間を15分に短縮する。
論文 参考訳（メタデータ） (2024-03-27T15:58:25Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - Real-Time Radiance Fields for Single-Image Portrait View Synthesis [85.32826349697972]
本研究では,1つの未提示画像からリアルタイムに3D表現を推測・描画するワンショット手法を提案する。
一つのRGB入力が与えられた場合、画像エンコーダは、ボリュームレンダリングによる3次元新規ビュー合成のためのニューラルラディアンスフィールドの標準三面体表現を直接予測する。
提案手法は消費者ハードウェア上で高速(24fps)であり,テスト時間最適化を必要とする強力なGAN反転ベースラインよりも高品質な結果が得られる。
論文 参考訳（メタデータ） (2023-05-03T17:56:01Z) - HQ3DAvatar: High Quality Controllable 3D Head Avatar [65.70885416855782]
本稿では,高フォトリアリスティックなデジタルヘッドアバターを構築するための新しいアプローチを提案する。
本手法はニューラルネットワークによってパラメータ化された暗黙関数を用いて標準空間を学習する。
テスト時,本手法は単眼のRGBビデオによって駆動される。
論文 参考訳（メタデータ） (2023-03-25T13:56:33Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Convolutional Neural Processes for Inpainting Satellite Images [56.032183666893246]
Inpaintingは、既知のピクセルに基づいて何が欠けているかを予測することを含み、画像処理における古い問題である。
本研究では,LANDSAT 7衛星画像のスキャンライン塗装問題に対して,従来の手法や最先端のディープラーニング塗装モデルよりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2022-05-24T23:29:04Z) - Urban Radiance Fields [77.43604458481637]
本研究では,都市屋外環境における世界地図作成によく利用されるスキャニングプラットフォームによって収集されたデータから3次元再構成と新しいビュー合成を行う。
提案手法は、制御された環境下での小さなシーンのための現実的な新しい画像の合成を実証したニューラルラジアンス場を拡張している。
これら3つのエクステンションはそれぞれ、ストリートビューデータの実験において、大幅なパフォーマンス改善を提供する。
論文 参考訳（メタデータ） (2021-11-29T15:58:16Z) - Seamless Satellite-image Synthesis [1.3401746329218014]
2Dデータは安価で容易だが、正確な衛星画像は高価であり、しばしば利用できない、または時代遅れである。
我々のアプローチは、スケール空間を通して一貫した任意の範囲のシームレスなテクスチャである。
論文 参考訳（メタデータ） (2021-11-05T10:42:24Z)
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。