論文の概要: Detecting and Refining HiRISE Image Patches Obscured by Atmospheric Dust
- arxiv url: http://arxiv.org/abs/2405.04722v1
- Date: Wed, 8 May 2024 00:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 15:45:06.931247
- Title: Detecting and Refining HiRISE Image Patches Obscured by Atmospheric Dust
- Title（参考訳）: 大気圧ダストによるHiRISE画像検出と精錬
- Authors: Kunal Sunil Kasodekar,
- Abstract要約: 火星は、このデータ収集プロセスを妨げている地域や地域の塵嵐が頻発している。
これらの画像を手動で取り除くには、大量の人力が必要である。
私はこれらのほこりっぽいパッチを分類して保存するパイプラインを設計します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: HiRISE (High-Resolution Imaging Science Experiment) is a camera onboard the Mars Reconnaissance orbiter responsible for photographing vast areas of the Martian surface in unprecedented detail. It can capture millions of incredible closeup images in minutes. However, Mars suffers from frequent regional and local dust storms hampering this data-collection process, and pipeline, resulting in loss of effort and crucial flight time. Removing these images manually requires a large amount of manpower. I filter out these images obstructed by atmospheric dust automatically by using a Dust Image Classifier fine-tuned on Resnet-50 with an accuracy of 94.05%. To further facilitate the seamless filtering of Images I design a prediction pipeline that classifies and stores these dusty patches. I also denoise partially obstructed images using an Auto Encoder-based denoiser and Pix2Pix GAN with 0.75 and 0.99 SSIM Index respectively.
- Abstract（参考訳）: HiRISE (High-Resolution Imaging Science Experiment)は、火星探査機マーズ・リコネッサンスに搭載されたカメラで、火星表面の広大な領域を前例のない詳細で撮影する。
何百万ものクローズアップ画像を数分で撮影できます。
しかし、火星は、このデータ収集プロセスやパイプラインを妨害する頻繁に発生する地域や地域の塵嵐に悩まされ、努力の欠如と重要な飛行時間が失われる。
これらの画像を手動で取り除くには、大量の人力が必要である。
94.05%の精度でResnet-50で微調整されたダスト画像分類器を用いて、大気塵によって妨害されたこれらの画像を自動的にフィルタリングする。
Imagesのシームレスなフィルタリングを容易にするために、私はこれらのほこりっぽいパッチを分類して保存する予測パイプラインを設計しました。
また、Auto EncoderベースのデノイザとPix2Pix GANで、それぞれ0.75と0.99のSSIMインデックスで、部分的に妨害された画像をデノイズします。
関連論文リスト
- SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。
PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。
また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
論文 参考訳（メタデータ） (2024-07-25T11:22:54Z) - Noise2Noise Denoising of CRISM Hyperspectral Data [6.502987568800912]
ノイズ2ノイズ4Mars (N2N4M) はCRISM画像からノイズを取り除くために導入された。
我々のモデルは自己教師型であり、ゼロノイズ対象データを必要としない。
これにより、提案された着陸地点を含む火星表面における重要な場所の詳細な分析が可能になる。
論文 参考訳（メタデータ） (2024-03-26T14:49:22Z) - Mapping "Brain Terrain" Regions on Mars using Deep Learning [0.0]
臨界領域のセットは、火星の斜視の周期的な変化に反応して、比較的最近に氷が噴出するサイクルを見た可能性がある。
本研究では、畳み込みニューラルネットワークを用いて「ブラインコーラル」地形を含む表面領域を検出する。
火星探査機マーズ・リコネッサンス・オービター(Mars Reconnaissance Orbiter)の大型画像(100-1000メガピクセル)を使って、これらの地形を1ピクセルあたり数十センチ近い解像度で探索する。
論文 参考訳（メタデータ） (2023-11-21T02:24:52Z) - ExBluRF: Efficient Radiance Fields for Extreme Motion Blurred Images [58.24910105459957]
極端運動ぼかし画像の新しいビュー合成法であるExBluRFを提案する。
提案手法は,6-DOFカメラトラジェクトリをベースとしたモーションブラー定式化と,ボクセルをベースとした放射場からなる。
既存の作業と比較して、トレーニング時間とGPUメモリ使用量の10倍の順序で、よりシャープな3Dシーンを復元する。
論文 参考訳（メタデータ） (2023-09-16T11:17:25Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - RB-Dust -- A Reference-based Dataset for Vision-based Dust Removal [0.0]
本稿では,参照型塵の除去を目的としたRB-Dustデータセットについて述べる。
撮影中にキャビンから写真を撮ることは不可能であり、画像のシフトを引き起こす可能性がある。
コントラスト強調と画像デハージングアルゴリズムを用いてデータセットを検証し,移動トラクタからの録音の一般化性について検討した。
論文 参考訳（メタデータ） (2023-06-12T17:09:24Z) - Nerfbusters: Removing Ghostly Artifacts from Casually Captured NeRFs [78.75872372856597]
カジュアルに捕獲されたニューラル・レージアンス・フィールド(NeRF)は、カメラの軌道の外側でレンダリングされたとき、フローターや欠陥のある幾何学などの人工物に悩まされる。
本稿では,2つのカメラトラジェクトリがシーンに記録される新しいデータセットと評価手法を提案する。
このデータ駆動型先行処理はフローターを除去し,カジュアルキャプチャのためのシーン形状を改善した。
論文 参考訳（メタデータ） (2023-04-20T17:59:05Z) - MaRF: Representing Mars as Neural Radiance Fields [1.4680035572775534]
MARFは火星の環境を合成するためのフレームワークで、ローバーカメラの画像を何枚か集めている。
惑星地質学、シミュレートされた航法、形状解析などの惑星表面探査における重要な課題に対処する。
実験では,キュリオシティ・ローバー,パーセヴァンス・ローバー,インジェニティ・ヘリコプターによって捕獲された火星の実際のデータセットから生成された環境を実証した。
論文 参考訳（メタデータ） (2022-12-03T18:58:00Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Learning to restore images degraded by atmospheric turbulence using
uncertainty [93.72048616001064]
大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。
本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-07-07T17:24:52Z) - Deep Learning Eliminates Massive Dust Storms from Images of Tianwen-1 [24.25089331365282]
そこで我々は,火星の塵除去問題を解決するために,地球上で得られた画像デハージングの知識を再利用する手法を提案する。
地球上のヘイズの形成過程にインスパイアされ、クリーンな画像上でも同様の視覚劣化過程を定式化する。
我々は、本質的に無関係な特徴をダストにエンコードし、それらをダストフリーの画像にデコードするディープモデルを訓練する。
論文 参考訳（メタデータ） (2022-06-21T07:05:09Z)
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。