論文の概要: High-Resolution Cloud Detection Network

• arxiv url: http://arxiv.org/abs/2407.07365v1
• Date: Wed, 10 Jul 2024 04:54:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 17:51:32.141286
• Title: High-Resolution Cloud Detection Network
• Title（参考訳）: 高分解能クラウド検出ネットワーク
• Authors: Jingsheng Li, Tianxiang Xue, Jiayi Zhao, Jingmin Ge, Yufang Min, Wei Su, Kun Zhan,
• Abstract要約: 本稿では,高分解能クラウド検出ネットワーク(HR-cloud-Net)を紹介する。 HR-cloud-Netは高分解能表現モジュール、レイヤーワイド機能融合モジュール、多分解能ピラミッドプールモジュールを統合している。 ノイズの多い拡張画像に基づいて訓練された学生ビューを教師ビューで教師が通常の画像を処理するという,新しいアプローチが導入された。
• 参考スコア（独自算出の注目度）: 4.717213036330225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The complexity of clouds, particularly in terms of texture detail at high resolutions, has not been well explored by most existing cloud detection networks. This paper introduces the High-Resolution Cloud Detection Network (HR-cloud-Net), which utilizes a hierarchical high-resolution integration approach. HR-cloud-Net integrates a high-resolution representation module, layer-wise cascaded feature fusion module, and multi-resolution pyramid pooling module to effectively capture complex cloud features. This architecture preserves detailed cloud texture information while facilitating feature exchange across different resolutions, thereby enhancing overall performance in cloud detection. Additionally, a novel approach is introduced wherein a student view, trained on noisy augmented images, is supervised by a teacher view processing normal images. This setup enables the student to learn from cleaner supervisions provided by the teacher, leading to improved performance. Extensive evaluations on three optical satellite image cloud detection datasets validate the superior performance of HR-cloud-Net compared to existing methods.The source code is available at \url{https://github.com/kunzhan/HR-cloud-Net}.
• Abstract（参考訳）: クラウドの複雑さ、特に高解像度のテクスチャディテールは、既存のクラウド検出ネットワークでよく研究されていない。 本稿では階層的な高分解能統合手法を用いた高分解能クラウド検出ネットワーク(HR-cloud-Net)を提案する。 HR-cloud-Netは、高分解能表現モジュール、レイヤーワイド機能融合モジュール、多分解能ピラミッドプールモジュールを統合して、複雑なクラウド機能を効果的にキャプチャする。 このアーキテクチャは、さまざまな解像度で機能交換を容易にするとともに、詳細なクラウドテクスチャ情報を保存し、クラウド検出における全体的なパフォーマンスを向上させる。 また,教師が通常の画像を処理することによって,ノイズの多い拡張画像に基づいて学習した生徒の視点を教師する,新たなアプローチが導入された。 この設定により、生徒は教師が提供したよりクリーンな指導から学び、パフォーマンスを向上させることができる。 3つの光学衛星画像クラウド検出データセットの大規模な評価は、既存の手法と比較してHR-cloud-Netの優れた性能を検証している。

関連論文リスト

• Adapting Vision Foundation Models for Robust Cloud Segmentation in Remote Sensing Images [22.054023867495722]
  クラウドセグメンテーションはリモートセンシング画像解釈において重要な課題である。 本稿では,クラウドセグメンテーションの精度とロバスト性を高めるために,Cloud-Adapterと呼ばれるパラメータ効率適応手法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T08:37:39Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
  本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。 提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-18T14:18:08Z)
• Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery [48.14610248492785]
  雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。 既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。 この課題に対処するために、データと方法論の面での強化を提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:14:17Z)
• Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
  我々は,正確なクラウド認識のための新しいデータセットを開発した。 領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。 また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
  論文  参考訳（メタデータ） (2024-01-06T09:58:09Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
  本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。 提案手法の有効性を,多数の実proba-v画像を用いて検証した。
  論文  参考訳（メタデータ） (2020-12-09T18:23:59Z)
• Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
  アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。 マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。 我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
  論文  参考訳（メタデータ） (2020-07-29T22:52:28Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
  現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。 本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-23T19:13:00Z)

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。