論文の概要: DNN-based 3D Cloud Retrieval for Variable Solar Illumination and Multiview Spaceborne Imaging

• arxiv url: http://arxiv.org/abs/2411.04682v1
• Date: Thu, 07 Nov 2024 13:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:37:39.187291
• Title: DNN-based 3D Cloud Retrieval for Variable Solar Illumination and Multiview Spaceborne Imaging
• Title（参考訳）: DNNによる可変太陽照度とマルチビュー・スペースボーンイメージングのための3次元クラウド検索
• Authors: Tamar Klein, Tom Aizenberg, Roi Ronen,
• Abstract要約: 我々は3Dクラウド検索のための最初のスケーラブルなディープニューラルネットワークシステムを紹介した。 マルチビュー・クラウド・インテンシティ・イメージとカメラ・ポーズと太陽方向データを統合することで、回復の柔軟性を高めることができる。
• 参考スコア（独自算出の注目度）: 2.6968321526169508
• License:
• Abstract: Climate studies often rely on remotely sensed images to retrieve two-dimensional maps of cloud properties. To advance volumetric analysis, we focus on recovering the three-dimensional (3D) heterogeneous extinction coefficient field of shallow clouds using multiview remote sensing data. Climate research requires large-scale worldwide statistics. To enable scalable data processing, previous deep neural networks (DNNs) can infer at spaceborne remote sensing downlink rates. However, prior methods are limited to a fixed solar illumination direction. In this work, we introduce the first scalable DNN-based system for 3D cloud retrieval that accommodates varying camera poses and solar directions. By integrating multiview cloud intensity images with camera poses and solar direction data, we achieve greater flexibility in recovery. Training of the DNN is performed by a novel two-stage scheme to address the high number of degrees of freedom in this problem. Our approach shows substantial improvements over previous state-of-the-art, particularly in handling variations in the sun's zenith angle.
• Abstract（参考訳）: 気候研究はしばしば、雲の性質の2次元地図を取得するためにリモートセンシングされた画像に頼っている。 体積解析の進歩のために,多視点リモートセンシングデータを用いて浅層雲の3次元(3次元)不均一消滅係数場を復元することに焦点を当てた。 気候調査には大規模な世界統計が必要である。 スケーラブルなデータ処理を実現するために、従来のディープニューラルネットワーク(DNN)は、宇宙からのリモートセンシングダウンリンクレートで推論することができる。 しかし、従来の方法は固定された太陽の照明方向に限定されている。 本研究では,様々なカメラのポーズや太陽方向に対応可能な3次元クラウド検索システムとして,初めてスケーラブルなDNNシステムを提案する。 マルチビュー・クラウド・インテンシティ・イメージとカメラ・ポーズと太陽方向データを統合することで、回復の柔軟性を高めることができる。 DNNの訓練は、この問題における高い自由度に対応するための新しい2段階のスキームによって行われる。 我々のアプローチは、特に太陽のゼニス角の変化を扱う際に、従来の最先端技術よりも大幅に改善されていることを示す。

関連論文リスト

• Deep Learning for 3D Point Cloud Enhancement: A Survey [7.482216242644069]
  本稿では,深層学習に基づくポイントクラウド強化手法に関する総合的な調査を行う。 ポイントクラウドの強化、すなわちクリーンなデータを達成するためのデノイング、見えないデータを復元するための完了、高密度なデータを得るためのアップサンプリングの3つの主要な視点をカバーしている。 本調査では,最近の最先端手法の新しい分類法と,標準ベンチマークの体系的実験結果について述べる。
  論文  参考訳（メタデータ） (2024-10-30T15:07:06Z)
• 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)
• 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)
• PolarMix: A General Data Augmentation Technique for LiDAR Point Clouds [100.03877236181546]
  PolarMixは、シンプルで汎用的なポイントクラウド拡張技術である。 様々な3Dディープアーキテクチャのプラグイン・アンド・プレイとして機能し、教師なしのドメイン適応にも適しています。
  論文  参考訳（メタデータ） (2022-07-30T13:52:19Z)
• Analyzing General-Purpose Deep-Learning Detection and Segmentation Models with Images from a Lidar as a Camera Sensor [0.06554326244334865]
  本研究は,高度ライダーセンサのイメージライクな出力処理のための汎用DL認識アルゴリズムの可能性について検討する。 3次元の点クラウドデータを処理するのではなく、私たちの知る限りでは、360textの視野を持つ低解像度の画像にフォーカスする最初の試みである。 適切な事前処理を行うことで、汎用DLモデルはこれらの画像を処理し、環境条件下での使用への扉を開くことができることを示す。
  論文  参考訳（メタデータ） (2022-03-08T13:14:43Z)
• SimIPU: Simple 2D Image and 3D Point Cloud Unsupervised Pre-Training for Spatial-Aware Visual Representations [85.38562724999898]
  我々はSimIPUと呼ばれる2Dイメージと3Dポイントクラウドの教師なし事前学習戦略を提案する。 具体的には、モーダル内空間認識モジュールとモーダル間特徴相互作用モジュールからなるマルチモーダルコントラスト学習フレームワークを開発する。 我々の知る限りでは、屋外マルチモーダルデータセットに対する対照的な学習事前学習戦略を探求する最初の研究である。
  論文  参考訳（メタデータ） (2021-12-09T03:27:00Z)
• Pix2Point: Learning Outdoor 3D Using Sparse Point Clouds and Optimal Transport [35.10680020334443]
  最近 深層学習は 単眼深度推定に 優れた結果をもたらしました 我々は,モノクロ3Dポイントクラウド予測のためのディープラーニングベースのアプローチであるPix2Pointを提案する。 提案手法は,2次元3次元ハイブリッドニューラルネットワークアーキテクチャと最適輸送分散の教師付きエンドツーエンド化に依存している。
  論文  参考訳（メタデータ） (2021-07-30T09:03:39Z)
• 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)
• View Invariant Human Body Detection and Pose Estimation from Multiple Depth Sensors [0.7080990243618376]
  本稿では,複数地点のクラウドソースを用いて,エンドツーエンドの多対人3Dポーズ推定ネットワークであるPoint R-CNNを提案する。 我々は、個別のカメラ故障、様々なターゲットの外観、複雑な散らかったシーンなど、現実の課題をシミュレートする広範囲な実験を行った。 一方、私たちのエンドツーエンドネットワークは、カスケードされた最先端モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2020-05-08T19:06:28Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。