論文の概要: UCloudNet: A Residual U-Net with Deep Supervision for Cloud Image Segmentation

• arxiv url: http://arxiv.org/abs/2501.06440v1
• Date: Sat, 11 Jan 2025 05:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:22:33.769126
• Title: UCloudNet: A Residual U-Net with Deep Supervision for Cloud Image Segmentation
• Title（参考訳）: UCloudNet: クラウドイメージセグメンテーションのための深いスーパービジョンを備えた残留U-Net
• Authors: Yijie Li, Hewei Wang, Shaofan Wang, Yee Hui Lee, Muhammad Salman Pathan, Soumyabrata Dev,
• Abstract要約: クラウドセグメンテーションの深い監督を伴う残留U-Netを導入する。 従来のアプローチよりも精度が良く、トレーニングの消費も少ない。
• 参考スコア（独自算出の注目度）: 10.797462947568954
• License:
• Abstract: Recent advancements in meteorology involve the use of ground-based sky cameras for cloud observation. Analyzing images from these cameras helps in calculating cloud coverage and understanding atmospheric phenomena. Traditionally, cloud image segmentation relied on conventional computer vision techniques. However, with the advent of deep learning, convolutional neural networks (CNNs) are increasingly applied for this purpose. Despite their effectiveness, CNNs often require many epochs to converge, posing challenges for real-time processing in sky camera systems. In this paper, we introduce a residual U-Net with deep supervision for cloud segmentation which provides better accuracy than previous approaches, and with less training consumption. By utilizing residual connection in encoders of UCloudNet, the feature extraction ability is further improved.
• Abstract（参考訳）: 気象学の最近の進歩は、雲の観測に地上のスカイカメラを使用することである。 これらのカメラから画像を分析することは、雲のカバレッジを計算し、大気現象を理解するのに役立つ。 従来、クラウドイメージのセグメンテーションは従来のコンピュータビジョン技術に依存していた。 しかし、ディープラーニングの出現に伴い、この目的のために畳み込みニューラルネットワーク(CNN)がますます適用されている。 その効果にもかかわらず、CNNはしばしば収束するために多くのエポックを必要とし、スカイカメラシステムにおけるリアルタイム処理の課題を提起する。 本稿では,クラウドセグメンテーションを深く監督する残留U-Netを導入する。 UCloudNetのエンコーダにおける残差接続を利用することで、特徴抽出能力はさらに向上する。

関連論文リスト

• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• 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)
• Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
  人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。 第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-08-18T02:12:54Z)
• 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)
• MM811 Project Report: Cloud Detection and Removal in Satellite Images [0.0]
  我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。 従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。 このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
  論文  参考訳（メタデータ） (2022-12-21T21:14:35Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
  本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。 分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T15:04:12Z)
• Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach [1.8655840060559172]
  データ駆動型ディープラーニングアプローチに基づくクラウドモーションウィンドアルゴリズムについて検討する。 深層学習モデルを用いて、運動特徴表現を自動的に学習し、雲の風の場を直接出力する。 我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。
  論文  参考訳（メタデータ） (2020-10-03T05:40:36Z)
• Cloud Removal for Remote Sensing Imagery via Spatial Attention Generative Adversarial Network [0.9746724603067647]
  リモートセンシング画像雲除去の課題を解決するため,空間注意生成敵ネットワーク (SpA GAN) というモデルを提案する。 SpA GANは人間の視覚機構を模倣し、局所的な空間的注意を伴って雲の領域を認識し、焦点を合わせる。
  論文  参考訳（メタデータ） (2020-09-28T02:13:23Z)
• Cloud Cover Nowcasting with Deep Learning [0.0]
  我々は,衛星撮影の最適化や太陽光発電のエネルギー生産予測など,様々な応用分野を持つクラウド・カバー・ユースキャスティングに注目した。 我々は,Meteosat衛星画像に深部畳み込みニューラルネットワークを適用した。
  論文  参考訳（メタデータ） (2020-09-24T09:57:29Z)
• Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
  現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。 本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-23T19:13:00Z)

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。