論文の概要: Improved Background Estimation for Gas Plume Identification in Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2411.15378v1
• Date: Fri, 22 Nov 2024 23:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:22:15.450572
• Title: Improved Background Estimation for Gas Plume Identification in Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像におけるガスプルーム同定の背景推定の改善
• Authors: Scout Jarman, Zigfried Hampel-Arias, Adra Carr, Kevin R. Moon,
• Abstract要約: 遠赤外線(LWIR)ハイパースペクトルイメージングは、リモートセンシングにおいて多くのタスクに利用できる。 気柱が検出されれば、気柱にどのガスやガスが存在するのかを正確に判断する必要がある。 識別中は、関心のガスのスペクトル特性を明らかにするために、プルームの下の背景を推定・除去する必要がある。
• 参考スコア（独自算出の注目度）: 2.3374134413353254
• License:
• Abstract: Longwave infrared (LWIR) hyperspectral imaging can be used for many tasks in remote sensing, including detecting and identifying effluent gases by LWIR sensors on airborne platforms. Once a potential plume has been detected, it needs to be identified to determine exactly what gas or gases are present in the plume. During identification, the background underneath the plume needs to be estimated and removed to reveal the spectral characteristics of the gas of interest. Current standard practice is to use ``global" background estimation, where the average of all non-plume pixels is used to estimate the background for each pixel in the plume. However, if this global background estimate does not model the true background under the plume well, then the resulting signal can be difficult to identify correctly. The importance of proper background estimation increases when dealing with weak signals, large libraries of gases of interest, and with uncommon or heterogeneous backgrounds. In this paper, we propose two methods of background estimation, in addition to three existing methods, and compare each against global background estimation to determine which perform best at estimating the true background radiance under a plume, and for increasing identification confidence using a neural network classification model. We compare the different methods using 640 simulated plumes. We find that PCA is best at estimating the true background under a plume, with a median of 18,000 times less MSE compared to global background estimation. Our proposed K-Nearest Segments algorithm improves median neural network identification confidence by 53.2%.
• Abstract（参考訳）: 長距離赤外線(LWIR)ハイパースペクトルイメージングは、空中プラットフォーム上でのLWIRセンサーによる流出ガスの検出と識別を含む、リモートセンシングにおける多くのタスクに使用できる。 気柱が検出されれば、気柱にどのガスやガスが存在するのかを正確に判断する必要がある。 識別中は、関心のガスのスペクトル特性を明らかにするために、プルームの下の背景を推定・除去する必要がある。 現在の標準のプラクティスは、"グローバル"な背景推定を使用することで、プラム内の各ピクセルの背景を推定するために、すべての非プルピクセルの平均が使用される。 しかし、この大域的背景推定がプルーム下の真の背景をうまくモデル化しない場合、結果の信号が正しく識別することは困難である。 適切な背景推定の重要性は、弱い信号、興味のあるガスの巨大なライブラリー、一般的でない背景や不均一な背景を扱うときに増大する。 本稿では,3つの既存手法に加えて背景推定手法を提案するとともに,実背景放射率を推定する手法と,ニューラルネットワークの分類モデルを用いた識別信頼度向上のための方法を提案する。 640個の模擬管を用いて異なる手法を比較した。 その結果,PCAは実背景推定に最適であり,MSEの中央値はグローバルな背景推定の18,000倍であることがわかった。 提案するK-Nearest Segmentsアルゴリズムは,中央値のニューラルネットワーク識別信頼度を53.2%向上させる。

関連論文リスト

• Modeling State Shifting via Local-Global Distillation for Event-Frame Gaze Tracking [61.44701715285463]
  本稿では,イベントデータとフレームデータの両方を用いた受動的視線推定の問題に取り組む。 我々は、現在の状態からいくつかの事前登録されたアンカー状態に移行する状態の定量化として、視線推定を再構成する。 大規模視線推定ネットワークを直接学習する代わりに,地域の専門家グループと学生ネットワークを連携させることにより,一般化能力の向上を図る。
  論文  参考訳（メタデータ） (2024-03-31T03:30:37Z)
• Radio-astronomical Image Reconstruction with Conditional Denoising Diffusion Model [5.673449249014537]
  汚れた電波画像からスカイモデルを再構成することは、高赤方偏移で銀河の進化を研究するために不可欠である。 CLEANやPyBDSFのような現在の技術は、しばしばかすかなソースを検出するのに失敗する。 本研究では、ニューラルネットワークを用いて、汚れた画像から直接スカイモデルを再構築することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T18:57:24Z)
• Local Background Estimation for Improved Gas Plume Identification in Hyperspectral Images [2.5534562660221254]
  深層学習モデルは、Longwave IRハイパースペクトル画像においてガスプラムを特定することを約束している。 多くの気体は同様のスペクトルシグネチャを持つため、検出されたプルームからの信号を適切に推定することが重要である。 画像分割と反復的背景推定アルゴリズムを用いて,様々な背景資料の局所的推定を行う。
  論文  参考訳（メタデータ） (2024-01-23T19:48:34Z)
• Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes [0.7970333810038046]
  メタン濃度インバージョン(英語版)、プルームセグメンテーション(英語版)、エミッションレート推定(英語版)は、メタン排出モニタリングの3つのサブタスクである。 リモートセンシング画像からメタン排出量の定量モニタリングを行うための,新しいディープラーニングベースのフレームワークを提案する。 メタン濃度インバージョンのためのU-Netネットワーク,メタン配管セグメンテーションのためのMask R-CNNネットワーク,メタン排出率推定のためのResNet-50ネットワークを訓練する。
  論文  参考訳（メタデータ） (2024-01-23T16:04:19Z)
• Hyperspectral Target Detection Based on Low-Rank Background Subspace Learning and Graph Laplacian Regularization [2.9626402880497267]
  ハイパースペクトル目標検出は、スペクトル特性に基づく薄暗い物体や小さな物体の発見に有効である。 既存の表現に基づく手法は、未知の背景辞書の問題によって妨げられる。 本稿では低ランク表現(LRR)とグラフラプラシア正規化(GLR)に基づく効率的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:51:08Z)
• A Large Scale Homography Benchmark [52.55694707744518]
  1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。 また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
  論文  参考訳（メタデータ） (2023-02-20T14:18:09Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
  本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。 提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
  論文  参考訳（メタデータ） (2022-08-24T14:59:28Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)

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。