論文の概要: Spectral Image Data Fusion for Multisource Data Augmentation

• arxiv url: http://arxiv.org/abs/2405.14883v1
• Date: Fri, 5 Apr 2024 13:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:29:41.494589
• Title: Spectral Image Data Fusion for Multisource Data Augmentation
• Title（参考訳）: マルチソースデータ拡張のための分光画像データ融合
• Authors: Roberta Iuliana Luca, Alexandra Baicoianu, Ioana Cristina Plajer,
• Abstract要約: マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。 機械学習タスクを実行できる無料データの量は比較的少ない。 スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multispectral and hyperspectral images are increasingly popular in different research fields, such as remote sensing, astronomical imaging, or precision agriculture. However, the amount of free data available to perform machine learning tasks is relatively small. Moreover, artificial intelligence models developed in the area of spectral imaging require input images with a fixed spectral signature, expecting the data to have the same number of spectral bands or the same spectral resolution. This requirement significantly reduces the number of usable sources that can be used for a given model. The scope of this study is to introduce a methodology for spectral image data fusion, in order to allow machine learning models to be trained and/or used on data from a larger number of sources, thus providing better generalization. For this purpose, we propose different interpolation techniques, in order to make multisource spectral data compatible with each other. The interpolation outcomes are evaluated through various approaches. This includes direct assessments using surface plots and metrics such as a Custom Mean Squared Error (CMSE) and the Normalized Difference Vegetation Index (NDVI). Additionally, indirect evaluation is done by estimating their impact on machine learning model training, particularly for semantic segmentation.
• Abstract（参考訳）: マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。 しかし、機械学習タスクを実行できる無料データの量は比較的少ない。 さらに、スペクトル画像の領域で開発された人工知能モデルは、データが同じスペクトル帯域数または同じスペクトル分解能を持つことを期待して、一定のスペクトルシグネチャを持つ入力画像を必要とする。 この要件は、与えられたモデルで使用できる使用可能なソースの数を大幅に削減する。 本研究の目的は、多数のソースからのデータに対して機械学習モデルを訓練および/または使用できるようにするため、スペクトル画像データ融合の方法論を導入することである。 そこで本研究では,マルチソーススペクトルデータを相互に互換性を持たせるために,異なる補間手法を提案する。 補間結果は様々な方法で評価される。 これには、表面プロットとCMSE(Custom Mean Squared Error)や正規化差分植生指標(NDVI)といったメトリクスを使用した直接的な評価が含まれる。 さらに、間接評価は、機械学習モデルトレーニング、特にセマンティックセグメンテーションへの影響を見積もることによって行われる。

関連論文リスト

• Analysis of Classifier Training on Synthetic Data for Cross-Domain Datasets [4.696575161583618]
  本研究は、高度な運転支援システムと自律運転のためのカメラベースの交通標識認識アプリケーションに焦点を当てた。 合成データセットの増補パイプラインは、構造化影やガウスの特異なハイライトのような新しい増補プロセスを含む。 実験の結果、クロスドメインテストデータセットに適用した場合、ほとんどの場合、合成画像ベースアプローチは実際の画像ベーストレーニングよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-30T07:11:41Z)
• Img-Diff: Contrastive Data Synthesis for Multimodal Large Language Models [49.439311430360284]
  コントラスト学習と画像差分キャプションにインスパイアされた新しいデータ合成手法を提案する。 私たちのキーとなるアイデアは、マッチングと異なる要素の両方を識別するためにモデルに挑戦することです。 我々は、この生成されたデータセットを利用して、最先端(SOTA)MLLMを微調整する。
  論文  参考訳（メタデータ） (2024-08-08T17:10:16Z)
• Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
  ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。 その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。 我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
  論文  参考訳（メタデータ） (2024-07-05T13:45:11Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Alternative Data Augmentation for Industrial Monitoring using Adversarial Learning [0.0]
  本研究では,生成的対向ネットワークを用いたデータ合成の産業的応用について検討する。 2値ラベルの作成には,問題調整三角関数とWGANモデルという2つの異なる手法を適用する。 ラベルはピクセル2ピクセルを使用してカラーイメージに変換され、U-Netのトレーニングに使用される。
  論文  参考訳（メタデータ） (2022-05-09T12:16:38Z)
• Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
  本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。 本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-13T15:40:50Z)
• VAE-Info-cGAN: Generating Synthetic Images by Combining Pixel-level and Feature-level Geospatial Conditional Inputs [0.0]
  画素レベル(PLC)と特徴レベル(FLC)を同時に条件付けした意味的リッチな画像を合成するための条件生成モデルを提案する。 GPSデータセットを用いた実験では,提案モデルが地理的に異なる場所にまたがる様々な形態のマクロアグリゲーションを正確に生成できることが示されている。
  論文  参考訳（メタデータ） (2020-12-08T03:46:19Z)

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。