論文の概要: Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey

• arxiv url: http://arxiv.org/abs/2411.05027v1
• Date: Tue, 05 Nov 2024 03:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:55:12.848721
• Title: Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey
• Title（参考訳）: 合成開口レーダを応用したジェネレーティブ人工知能
• Authors: Zhongling Huang, Xidan Zhang, Zuqian Tang, Feng Xu, Mihai Datcu, Junwei Han,
• Abstract要約: 本稿では,GenAIとSARの交差点について検討する。 まず、SAR分野における一般的なデータ生成ベースのアプリケーションについて説明する。 次に、最新のGenAIモデルの概要を体系的にレビューする。 最後に、SARドメインの対応するアプリケーションも含まれる。
• 参考スコア（独自算出の注目度）: 49.29751866761522
• License:
• Abstract: SAR images possess unique attributes that present challenges for both human observers and vision AI models to interpret, owing to their electromagnetic characteristics. The interpretation of SAR images encounters various hurdles, with one of the primary obstacles being the data itself, which includes issues related to both the quantity and quality of the data. The challenges can be addressed using generative AI technologies. Generative AI, often known as GenAI, is a very advanced and powerful technology in the field of artificial intelligence that has gained significant attention. The advancement has created possibilities for the creation of texts, photorealistic pictures, videos, and material in various modalities. This paper aims to comprehensively investigate the intersection of GenAI and SAR. First, we illustrate the common data generation-based applications in SAR field and compare them with computer vision tasks, analyzing the similarity, difference, and general challenges of them. Then, an overview of the latest GenAI models is systematically reviewed, including various basic models and their variations targeting the general challenges. Additionally, the corresponding applications in SAR domain are also included. Specifically, we propose to summarize the physical model based simulation approaches for SAR, and analyze the hybrid modeling methods that combine the GenAI and interpretable models. The evaluation methods that have been or could be applied to SAR, are also explored. Finally, the potential challenges and future prospects are discussed. To our best knowledge, this survey is the first exhaustive examination of the interdiscipline of SAR and GenAI, encompassing a wide range of topics, including deep neural networks, physical models, computer vision, and SAR images. The resources of this survey are open-source at \url{https://github.com/XAI4SAR/GenAIxSAR}.
• Abstract（参考訳）: SAR画像には、人間のオブザーバと視覚AIモデルの両方が、その電磁特性のために解釈する課題を示すユニークな特性がある。 SAR画像の解釈は、データの量と品質の両方に関わる問題を含む、データ自体が主な障害である、さまざまなハードルに直面する。 これらの課題は、生成AI技術を使って解決することができる。 GenAIとして知られるジェネレーティブAIは、人工知能の分野で非常に先進的で強力な技術であり、注目を集めている。 この進歩は、テキスト、フォトリアリスティックな写真、ビデオ、様々なモダリティの素材を作成する可能性を生み出した。 本稿では,GenAIとSARの交差点を包括的に調査することを目的とする。 まず、SAR分野における一般的なデータ生成ベースのアプリケーションを説明し、それらをコンピュータビジョンタスクと比較し、それらの類似性、相違点、および一般的な課題を分析する。 次に,最新のGenAIモデルの概要を体系的にレビューし,様々な基本モデルとそれらのバリエーションを課題とする。 さらに、SARドメインの対応するアプリケーションも含んでいる。 具体的には、SARの物理モデルに基づくシミュレーション手法を要約し、GenAIと解釈可能なモデルを組み合わせたハイブリッドモデリング手法を解析する。 また,SARに適用可能な評価手法についても検討した。 最後に、潜在的な課題と今後の展望について論じる。 我々の知る限り、この調査は、深層ニューラルネットワーク、物理モデル、コンピュータビジョン、SAR画像を含む幅広いトピックを網羅する、SARとGenAIの学際性に関する最初の徹底的な調査である。 この調査のリソースは、 \url{https://github.com/XAI4SAR/GenAIxSAR}でオープンソース化されている。

関連論文リスト

• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• AI Foundation Models in Remote Sensing: A Survey [6.036426846159163]
  本稿では,リモートセンシング領域における基礎モデルの包括的調査を行う。 コンピュータビジョンおよびドメイン固有タスクにおけるそれらの応用に基づいて、これらのモデルを分類する。 これらの基盤モデルによって達成された、新しいトレンドと大きな進歩を強調します。
  論文  参考訳（メタデータ） (2024-08-06T22:39:34Z)
• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• Generative AI and Process Systems Engineering: The Next Frontier [0.5937280131734116]
  本稿では,大規模言語モデル (LLM) のような新しい生成人工知能(GenAI)モデルが,プロセスシステム工学 (PSE) におけるソリューション方法論をいかに拡張するかを考察する。 これらの最先端のGenAIモデル、特にファンデーションモデル(FM)は、広範な汎用データセットで事前トレーニングされている。 この記事では、マルチスケールモデリング、データ要件、評価指標とベンチマーク、信頼性と安全性など、PSE内でGenAIを完全に活用する上での潜在的な課題を特定し、議論する。
  論文  参考訳（メタデータ） (2024-02-15T18:20:42Z)
• On the Benefit of Generative Foundation Models for Human Activity Recognition [0.27624021966289597]
  人間の活動認識(HAR)では、注釈付きデータの限られた可用性が重要な課題である。 生成AIの最新の進歩からインスピレーションを得て、生成AIはテキスト記述から仮想IMUデータを自動生成することで、このデータ不足に対処できると考えている。 我々は、コミュニティのための生成AIの恩恵を受ける可能性のある、有望な研究経路をいくつか見極めている。
  論文  参考訳（メタデータ） (2023-10-18T16:27:06Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• When Geoscience Meets Foundation Models: Towards General Geoscience Artificial Intelligence System [6.445323648941926]
  地球科学基礎モデル(Geoscience foundation model, GFMs)は、地球系の力学のシミュレーションと理解を強化するために、広範な学際データを統合するパラダイムシフトソリューションである。 GFMのユニークな長所は、フレキシブルなタスク仕様、多様な入出力能力、マルチモーダルな知識表現である。 このレビューは、先進的なAI技術と地球科学の交差点における未解決の機会を強調した、新興の地球科学研究パラダイムの包括的概要を提供する。
  論文  参考訳（メタデータ） (2023-09-13T08:44:09Z)
• A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT [63.58711128819828]
  ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。 AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
  論文  参考訳（メタデータ） (2023-03-07T20:36:13Z)

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。