論文の概要: Attentive Contextual Attention for Cloud Removal
- arxiv url: http://arxiv.org/abs/2411.13042v1
- Date: Wed, 20 Nov 2024 05:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-21 16:09:56.862416
- Title: Attentive Contextual Attention for Cloud Removal
- Title（参考訳）: クラウド除去のための注意的コンテキストアテンション
- Authors: Wenli Huang, Ye Deng, Yang Wu, Jinjun Wang,
- Abstract要約: 雲のカバーは、地球観測のためのリモートセンシング画像の使用を著しく妨げる可能性がある。
ディープラーニング戦略は、クラウドオブサークされた領域の復元において大きな可能性を示している。
注意的文脈注意(AC-Attention)という新しいアプローチを導入する。
- 参考スコア（独自算出の注目度）: 16.273117614996586
- License:
- Abstract: Cloud cover can significantly hinder the use of remote sensing images for Earth observation, prompting urgent advancements in cloud removal technology. Recently, deep learning strategies have shown strong potential in restoring cloud-obscured areas. These methods utilize convolution to extract intricate local features and attention mechanisms to gather long-range information, improving the overall comprehension of the scene. However, a common drawback of these approaches is that the resulting images often suffer from blurriness, artifacts, and inconsistencies. This is partly because attention mechanisms apply weights to all features based on generalized similarity scores, which can inadvertently introduce noise and irrelevant details from cloud-covered areas. To overcome this limitation and better capture relevant distant context, we introduce a novel approach named Attentive Contextual Attention (AC-Attention). This method enhances conventional attention mechanisms by dynamically learning data-driven attentive selection scores, enabling it to filter out noise and irrelevant features effectively. By integrating the AC-Attention module into the DSen2-CR cloud removal framework, we significantly improve the model's ability to capture essential distant information, leading to more effective cloud removal. Our extensive evaluation of various datasets shows that our method outperforms existing ones regarding image reconstruction quality. Additionally, we conducted ablation studies by integrating AC-Attention into multiple existing methods and widely used network architectures. These studies demonstrate the effectiveness and adaptability of AC-Attention and reveal its ability to focus on relevant features, thereby improving the overall performance of the networks. The code is available at \url{https://github.com/huangwenwenlili/ACA-CRNet}.
- Abstract（参考訳）: 雲のカバーは、地球観測のためのリモートセンシング画像の使用を著しく妨げ、雲の除去技術の急激な進歩を引き起こす。
近年, 深層学習戦略は, クラウド・オブスキュラ領域の復元において大きな可能性を秘めている。
これらの手法は畳み込みを利用して複雑な局所特徴と注意機構を抽出し、長距離情報を収集し、シーン全体の理解を改善する。
しかし、これらのアプローチの共通の欠点は、結果として得られる画像が曖昧さ、アーティファクト、矛盾に悩まされることである。
これは、注意機構が一般化された類似度スコアに基づく全ての特徴に重みを適用し、雲に覆われた領域から必然的にノイズや無関係な詳細を導入することができるためである。
この制限を克服し、関係する遠隔コンテキストをよりよく捉えるために、注意的文脈注意(AC-Attention)という新しいアプローチを導入する。
この方法は、データ駆動の注意点選択スコアを動的に学習することで従来の注意機構を強化し、ノイズや無関係な特徴を効果的にフィルタリングすることができる。
我々は,AC-AttentionモジュールをDSen2-CRクラウド除去フレームワークに統合することにより,本質的な遠隔情報を取得する能力を大幅に向上し,より効率的なクラウド除去を実現した。
各種データセットを広範囲に評価した結果,画像再構成の精度において,既存のデータセットよりも優れていたことが示唆された。
さらに、AC-Attentionを複数の既存手法と広く使われているネットワークアーキテクチャに統合してアブレーション研究を行った。
これらの研究は、AC-Attentionの有効性と適応性を実証し、関連する特徴に焦点を合わせる能力を明らかにし、ネットワーク全体の性能を向上させる。
コードは \url{https://github.com/huangwenwenlili/ACA-CRNet} で公開されている。
関連論文リスト
- Improving Apple Object Detection with Occlusion-Enhanced Distillation [1.0049237739132246]
自然環境で成長するリンゴは、しばしば葉や枝から激しい視覚障害に直面する。
OED(Occlusion-Enhanced Distillation)と呼ばれる手法を導入し、隠蔽データセット上の意味的に整合した特徴の学習を規則化する。
提案手法は, 広範囲な比較実験により, 最先端技術よりも優れていた。
論文 参考訳（メタデータ） (2024-09-03T03:11:48Z) - ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud [7.066196862701362]
極端に疎い点群に対する点群エンコーダを強化するための教師なしモデル適応手法を提案する。
本稿では,学習可能なトークンとアテンションブロックを追加して,事前学習した自己注意層を拡張する,新しいファセットクロスアテンション層を提案する。
また,無関係なテキスト埋め込みから,修正された特徴を引き離すための補完的な学習ベースの自己蒸留スキーマを提案する。
論文 参考訳（メタデータ） (2024-04-30T15:42:45Z) - 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) - Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-28T03:11:33Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文 参考訳（メタデータ） (2023-04-11T19:27:18Z) - Interactive Feature Embedding for Infrared and Visible Image Fusion [94.77188069479155]
赤外線と可視画像の融合のための一般的なディープラーニングに基づく手法は、情報保持のための教師なしのメカニズムに依存している。
赤外線および可視画像融合のための自己教師付き学習フレームワークに,インタラクティブな新たな特徴埋め込みを提案する。
論文 参考訳（メタデータ） (2022-11-09T13:34:42Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - Video Salient Object Detection via Contrastive Features and Attention
Modules [106.33219760012048]
本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。
コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。
提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
論文 参考訳（メタデータ） (2021-11-03T17:40:32Z) - Unlocking Pixels for Reinforcement Learning via Implicit Attention [61.666538764049854]
我々は最近,トランスフォーマーに非常に有効であることが示されている,新しい効率的なアテンションアルゴリズムを利用している。
これにより、注意に基づくコントローラは、より大きな視覚入力にスケールでき、より小さなパッチの使用が容易になります。
さらに,ソフトマックスの注目度をハイブリッドランダム特徴量で近似するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-08T17:00:26Z) - Hybrid Multiple Attention Network for Semantic Segmentation in Aerial
Images [24.35779077001839]
グローバルな相関関係を適応的に捉えるために,Hybrid Multiple Attention Network (HMANet) という新しいアテンションベースのフレームワークを提案する。
本稿では,機能的冗長性を低減し,自己注意機構の効率を向上させるため,単純で効果的な領域シャッフルアテンション(RSA)モジュールを提案する。
論文 参考訳（メタデータ） (2020-01-09T07:47:51Z)
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。