Fugu-MT 論文翻訳(概要): Image-based Detection of Segment Misalignment in Multi-mirror Satellites using Transfer Learning

論文の概要: Image-based Detection of Segment Misalignment in Multi-mirror Satellites using Transfer Learning

arxiv url: http://arxiv.org/abs/2407.20582v1
Date: Tue, 30 Jul 2024 06:29:40 GMT
ステータス: 処理完了
システム内更新日: 2024-07-31 18:09:21.292830
Title: Image-based Detection of Segment Misalignment in Multi-mirror Satellites using Transfer Learning
Title（参考訳）: トランスファーラーニングを用いたマルチミラー衛星のセグメントずれ画像検出
Authors: C. Tanner Fredieu, Jonathan Tesch, Andrew Kee, David Redding,
Abstract要約: マルチミラー衛星におけるセグメント不整合検出のための転送学習に基づくシステムを提案する。実験は,4,6,8セグメントのCubeSatで行った。システム設計では、衛星がいつ不整合セグメントを持つのか、どれだけのセグメントが不整合しているのかを知りたいときに、これを考慮に入れた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a system based on transfer learning for detecting segment misalignment in multimirror satellites, such as future CubeSat designs and the James Webb Space Telescope (JWST), using image-based methods. When a mirror segment becomes misaligned due to various environmental factors, such as space debris, the images can become distorted with a shifted copy of itself called a "ghost image". To detect whether segments are misaligned, we use pre-trained, large-scale image models trained on the Fast Fourier Transform (FFT) of patches of satellite images in grayscale. Multi-mirror designs can use any arbitrary number of mirrors. For our purposes, the tests were performed on simulated CubeSats with 4, 6, and 8 segments. For system design, we took this into account when we want to know when a satellite has a misaligned segment and how many segments are misaligned. The intensity of the ghost image is directly proportional to the number of segments misaligned. Models trained for intensity classification attempted to classify N-1 segments. Across eight classes, binary models were able to achieve a classification accuracy of 98.75%, and models for intensity classification were able to achieve an accuracy of 98.05%.
Abstract（参考訳）: 本稿では,将来のCubeSat設計やジェームズ・ウェッブ宇宙望遠鏡(JWST)など,多鏡衛星におけるセグメントの不整合を検出するための移動学習に基づくシステムを提案する。空間デブリなどの様々な環境要因によりミラーセグメントが不一致となると、画像は「ゴースト画像」と呼ばれる自分自身のシフトしたコピーで歪むことができる。そこで我々は,衛星画像のパッチのFFT(Fast Fourier Transform)に基づいて学習した,事前学習された大規模画像モデルを用いて,セグメントの一致を検知する。マルチミラーデザインは任意の数のミラーを使用することができる。目的のために,4,6,8セグメントのCubeSatを模擬した実験を行った。システム設計では、衛星がいつ不整合セグメントを持つのか、どれだけのセグメントが不整合しているのかを知りたいときに、これを考慮に入れた。ゴースト画像の強度は、不一致のセグメント数に直接比例する。強度分類のために訓練されたモデルは、N-1セグメントを分類しようと試みた。 8つのクラスで2進法の精度は98.75%に達し、強度分類のモデルは98.05%に達した。

関連論文リスト

Semantic segmentation on multi-resolution optical and microwave data using deep learning [0.0]
畳み込みニューラルネットワークに基づく修正U-NetモデルとVGG-UNetモデルにより、衛星画像からオブジェクトを自動的に識別する。 Cartosat 2S (1m空間分解能)データセットが使用された。ディープラーニングモデルは、95%以上の精度でテストデータセットから構築された形状と船を検出するために実装された。
論文参考訳（メタデータ） (2024-11-12T06:33:09Z)
Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。地上画像ごとに正の衛星画像と負の衛星画像を導き出す。また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
論文参考訳（メタデータ） (2024-09-10T12:57:16Z)
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)
A Multispectral Automated Transfer Technique (MATT) for machine-driven image labeling utilizing the Segment Anything Model (SAM) [0.0]
本稿では,Multispectral Automated Transfer Technique (MATT) と呼ぶ手法について概説する。 RGB画像からSAMセグメンテーションマスクを変換することで、高精度で効率よくマルチスペクトル画像のセグメンテーションとラベルを自動で行うことができる。本研究は,多スペクトル物体検出モデルを高速に分割,ラベル付け,訓練するための新しいオープンソース手法を提供することにより,多スペクトル物体検出の研究に大きく貢献する。
論文参考訳（メタデータ） (2024-02-18T01:01:13Z)
CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
論文参考訳（メタデータ） (2023-11-29T09:31:31Z)
ClusterFormer: Clustering As A Universal Visual Learner [80.79669078819562]
CLUSTERFORMERは、トランスフォーマーを用いたCLUSTERingパラダイムに基づくユニバーサルビジョンモデルである。不均一な視覚タスクに様々なレベルのクラスタリングの粒度で対処することができる。その有効性のために、コンピュータビジョンにおける普遍モデルにおけるパラダイムシフトを触媒できることを期待します。
論文参考訳（メタデータ） (2023-09-22T22:12:30Z)
Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial Representation Learning [55.762840052788945]
本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
論文参考訳（メタデータ） (2022-12-30T03:15:34Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks [3.4797121357690153]
本稿では,高解像度衛星画像に対する画像と画像の変換手法として,CGAN(Conditional Generative Adversarial Networks)を提案する。 CGANモデルは、見当たらない不均衡なテストデータセットにおいて、同様の複雑性のCNNモデルよりもかなりのマージンで優れていることがわかった。
論文参考訳（メタデータ） (2020-12-05T18:18:45Z)
One-Shot Image Classification by Learning to Restore Prototypes [11.448423413463916]
ワンショット画像分類は、カテゴリ毎に1つの画像しか持たないデータセット上で、イメージ分類器を訓練することを目的としている。ワンショット学習では、既存のメトリック学習アプローチは、単一のトレーニングイメージがクラスを代表するものではない可能性があるため、パフォーマンスが低下する。本稿では,RestoreNet で表される単純な回帰モデルを提案する。画像特徴のクラス変換を学習し,特徴空間のクラス中心に画像を移動させる。
論文参考訳（メタデータ） (2020-05-04T02:11:30Z)
Improving Few-shot Learning by Spatially-aware Matching and CrossTransformer [116.46533207849619]
数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
論文参考訳（メタデータ） (2020-01-06T14:10:20Z)

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。