論文の概要: Scale-Aware Recognition in Satellite Images under Resource Constraint

• arxiv url: http://arxiv.org/abs/2411.00210v1
• Date: Thu, 31 Oct 2024 21:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:40:23.570960
• Title: Scale-Aware Recognition in Satellite Images under Resource Constraint
• Title（参考訳）: 資源制約下における衛星画像のスケール認識
• Authors: Shreelekha Revankar, Cheng Perng Phoo, Utkarsh Mall, Bharath Hariharan, Kavita Bala,
• Abstract要約: 二つの課題: ある概念を認識するのに最適な解像度と、より高価な高解像度画像(HR)をいつ取得すべきか? 1)低分解能画像(LR)の認識モデルに訓練されたモデルから知識を抽出する手法,(2)モデル不一致に基づくHR画像のサンプリング戦略,(3)概念"スケール"を推論するためのLLMベースのアプローチ,の3つの要素を導入することで,これらの課題に対処する新しい手法を提案する。 これらのコンポーネントを用いて,衛星画像の大規模認識を効率よく行うシステムを提案する。
• 参考スコア（独自算出の注目度）: 39.47126465689941
• License:
• Abstract: Recognition of features in satellite imagery (forests, swimming pools, etc.) depends strongly on the spatial scale of the concept and therefore the resolution of the images. This poses two challenges: Which resolution is best suited for recognizing a given concept, and where and when should the costlier higher-resolution (HR) imagery be acquired? We present a novel scheme to address these challenges by introducing three components: (1) A technique to distill knowledge from models trained on HR imagery to recognition models that operate on imagery of lower resolution (LR), (2) a sampling strategy for HR imagery based on model disagreement, and (3) an LLM-based approach for inferring concept "scale". With these components we present a system to efficiently perform scale-aware recognition in satellite imagery, improving accuracy over single-scale inference while following budget constraints. Our novel approach offers up to a 26.3% improvement over entirely HR baselines, using 76.3% fewer HR images.
• Abstract（参考訳）: 衛星画像(森林、プールなど)の特徴の認識は、概念の空間スケールや画像の解像度に強く依存する。 与えられた概念を認識するのに最適な解像度と、より高価な高解像度画像(HR)をいつ取得すべきか、という2つの課題がある。 提案手法は,(1)低分解能画像を用いた認識モデルから,低分解能画像を用いた認識モデルへの知識の抽出手法,(2)モデル不一致に基づくHR画像のサンプリング戦略,(3)概念"スケール"を推論するためのLLMベースのアプローチである。 これらのコンポーネントにより、衛星画像のスケール認識を効率よく行うことができ、予算制約に従って単スケール推論よりも精度を向上させることができる。 我々の新しいアプローチは、完全なHRベースラインよりも最大26.3%改善し、76.3%少ないHRイメージを使用する。

関連論文リスト

• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Enhancing Low-resolution Face Recognition with Feature Similarity Knowledge Distillation [6.735657356113614]
  提案フレームワークは, HR学習ネットワークからLR学習ネットワークへ, 距離を縮めることで情報的特徴を伝達する。 HRとLRの特徴を効果的に整合させるため,コサイン類似度尺度を距離計として用いた。 AgeDB-30ベンチマークでは,従来の最先端手法よりも3%改善した。
  論文  参考訳（メタデータ） (2023-03-08T16:11:46Z)
• SRTGAN: Triplet Loss based Generative Adversarial Network for Real-World Super-Resolution [13.897062992922029]
  SISR(Single Image Super-Resolution)と呼ばれる別のソリューションは、低解像度(LR)画像を取得し、HR画像を取得することを目的としたソフトウェア駆動のアプローチである。 我々は、LR画像に提供される情報を負のサンプルとして利用することで、新たな三重項に基づく対向損失関数を導入する。 本稿では, 対向的損失, 内容的損失, 知覚的損失, 品質的損失を融合させて, 知覚的忠実度の高い超解像を得る。
  論文  参考訳（メタデータ） (2022-11-22T11:17:07Z)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• Learning Resolution-Adaptive Representations for Cross-Resolution Person Re-Identification [49.57112924976762]
  低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。 実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。 本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:49:51Z)
• Single Image Internal Distribution Measurement Using Non-Local Variational Autoencoder [11.985083962982909]
  本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。 textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。 7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-04-02T18:43:55Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• Unsupervised Remote Sensing Super-Resolution via Migration Image Prior [12.728430583409997]
  低解像度・高分解能の画像ペアを使わずに超解像タスクを実現する新しい非監視学習フレームワーク「MIP」を提案する。 本論文では,MIPが定量的および定性的に最先端の手法よりも有意な改善を達成できることを示した。
  論文  参考訳（メタデータ） (2021-05-08T03:29:35Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)

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。