論文の概要: Super-Resolution Analysis for Landfill Waste Classification

• arxiv url: http://arxiv.org/abs/2404.01790v1
• Date: Tue, 2 Apr 2024 09:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 17:09:01.439991
• Title: Super-Resolution Analysis for Landfill Waste Classification
• Title（参考訳）: 埋立処分廃棄物の超溶解分析
• Authors: Matias Molina, Rita P. Ribeiro, Bruno Veloso, João Gama,
• Abstract要約: 違法な埋立地は環境、経済、公衆衛生への影響から重要な問題である。 本研究は環境犯罪監視に航空画像を利用する。 画像品質の向上による性能向上が観察されたが, モデル感度に影響を及ぼし, 慎重にしきい値の微調整が必要であった。
• 参考スコア（独自算出の注目度）: 3.737361598712633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illegal landfills are a critical issue due to their environmental, economic, and public health impacts. This study leverages aerial imagery for environmental crime monitoring. While advances in artificial intelligence and computer vision hold promise, the challenge lies in training models with high-resolution literature datasets and adapting them to open-access low-resolution images. Considering the substantial quality differences and limited annotation, this research explores the adaptability of models across these domains. Motivated by the necessity for a comprehensive evaluation of waste detection algorithms, it advocates cross-domain classification and super-resolution enhancement to analyze the impact of different image resolutions on waste classification as an evaluation to combat the proliferation of illegal landfills. We observed performance improvements by enhancing image quality but noted an influence on model sensitivity, necessitating careful threshold fine-tuning.
• Abstract（参考訳）: 違法な埋立地は環境、経済、公衆衛生への影響から重要な問題である。 本研究は環境犯罪監視に航空画像を利用する。 人工知能とコンピュータビジョンの進歩は有望だが、課題は、高解像度の文献データセットを使用してモデルをトレーニングし、低解像度の画像にオープンアクセスすることにある。 実質的な品質差と限定的なアノテーションを考慮すると、これらの領域にわたるモデルの適応性について検討する。 廃棄物検出アルゴリズムの総合的な評価の必要性から, 不法埋立地の拡散対策評価として, 画像解像度の違いが廃棄物分類に与える影響を分析するために, クロスドメイン分類と超高解像度化を提唱している。 画像品質の向上による性能向上が観察されたが, モデル感度に影響を及ぼし, 慎重にしきい値の微調整が必要であった。

関連論文リスト

• Evaluating the Impact of Underwater Image Enhancement on Object Detection Performance: A Comprehensive Study [1.7933377464816112]
  本研究の目的は、最先端の画像強調モデルの評価、水中物体検出への影響調査、検出性能向上の可能性を探ることである。
  論文  参考訳（メタデータ） (2024-11-21T22:59:15Z)
• Enhancing Sentinel-2 Image Resolution: Evaluating Advanced Techniques based on Convolutional and Generative Neural Networks [44.99833362998488]
  本稿では,高分解能化技術を用いてスペクトル情報を含むセンチネル2バンドにおける空間分解能の2。 最先端CNNモデルは、品質と実現可能性の観点から強化されたGANアプローチと比較される。 GANベースのモデルは、明瞭で詳細な画像を提供するだけでなく、定量的評価の観点からも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-01T08:56:46Z)
• Optimizing Contrail Detection: A Deep Learning Approach with EfficientNet-b4 Encoding [3.106927445586204]
  航空業界は、生態系のフットプリントを最小限に抑えるという課題に直面している。 主要な解決策の1つは、航空機の排気によって発生する直線的な氷結晶雲をターゲットとした避妊である。 本稿では,特徴抽出に効率的なネット-b4エンコーダを用いた革新的な深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-20T00:21:06Z)
• Adversary-Robust Graph-Based Learning of WSIs [2.9998889086656586]
  全スライド画像(WSIs)は、ガラススライドに搭載された高解像度でデジタル化された組織サンプルで、高度な撮像装置を用いてスキャンされる。 WSIのディジタル分析は、ギガピクセルサイズとマルチレゾリューションストレージフォーマットのために、ユニークな課題を提示している。 我々は,WSI のグラフ表現から特徴を抽出するために GNN を利用した,斬新で革新的なグラフベースモデルを開発した。
  論文  参考訳（メタデータ） (2024-03-21T15:37:37Z)
• Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [82.13830107682232]
  本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。 生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。 2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
  論文  参考訳（メタデータ） (2024-02-22T09:39:46Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline [8.326477369707122]
  本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。 物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
  論文  参考訳（メタデータ） (2022-05-20T14:18:17Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep Image-to-Image Models against Adversarial Attacks [104.8737334237993]
  本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。 一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。 画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
  論文  参考訳（メタデータ） (2021-04-30T14:20:33Z)

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。