論文の概要: A light-weight model to generate NDWI from Sentinel-1

• arxiv url: http://arxiv.org/abs/2501.13357v1
• Date: Thu, 23 Jan 2025 03:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:27.204535
• Title: A light-weight model to generate NDWI from Sentinel-1
• Title（参考訳）: センチネル-1からNDWIを生成する軽量モデル
• Authors: Saleh Sakib Ahmed, Saifur Rahman Jony, Md. Toufikuzzaman, Saifullah Sayed, Rashed Uz Zzaman, Sara Nowreen, M. Sohel Rahman,
• Abstract要約: 本研究では,Sentinel-1画像から正規化差分水指数(NDWI)を生成する深層学習モデルを提案する。 NDWIの予測には,精度0.9134,AUC0.8656が有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.7996307305274611
• License:
• Abstract: The use of Sentinel-2 images to compute Normalized Difference Water Index (NDWI) has many applications, including water body area detection. However, cloud cover poses significant challenges in this regard, which hampers the effectiveness of Sentinel-2 images in this context. In this paper, we present a deep learning model that can generate NDWI given Sentinel-1 images, thereby overcoming this cloud barrier. We show the effectiveness of our model, where it demonstrates a high accuracy of 0.9134 and an AUC of 0.8656 to predict the NDWI. Additionally, we observe promising results with an R2 score of 0.4984 (for regressing the NDWI values) and a Mean IoU of 0.4139 (for the underlying segmentation task). In conclusion, our model offers a first and robust solution for generating NDWI images directly from Sentinel-1 images and subsequent use for various applications even under challenging conditions such as cloud cover and nighttime.
• Abstract（参考訳）: 正規化差分水指数(NDWI)の計算にSentinel-2画像を用いることは、水域領域の検出を含む多くの応用がある。 しかし、クラウドカバーは、この文脈におけるSentinel-2画像の有効性を損なう、この点において重大な課題を提起する。 本稿では,Sentinel-1の画像からNDWIを生成する深層学習モデルを提案する。 NDWIの予測には,精度0.9134,AUC0.8656が有効であることを示す。 さらに,R2スコア0.4984(NDWI値の回帰)と平均IoU0.4139(下層のセグメンテーションタスク)で有望な結果が得られた。 結論として,本モデルでは,Sentinel-1画像から直接NDWI画像を生成し,クラウドカバーや夜間などの困難条件下でも様々なアプリケーションに利用するための,第1かつロバストなソリューションを提供する。

関連論文リスト

• WV-Net: A foundation model for SAR WV-mode satellite imagery trained using contrastive self-supervised learning on 10 million images [23.653151006898327]
  本研究では,1000万近いWVモード画像とコントラスト型自己教師型学習を用いて,WV-Netと呼ばれるセマンティック埋め込みモデルを訓練する。 複数の下流タスクにおいて、WV-Netは、教師あり学習を伴う自然画像に事前訓練された同等のモデルより優れている。 WV-Net埋め込みは教師なしのイメージ検索タスクでは優れており、データスパース設定ではスケールが優れている。
  論文  参考訳（メタデータ） (2024-06-26T21:30:41Z)
• ECoDepth: Effective Conditioning of Diffusion Models for Monocular Depth Estimation [5.179738379203527]
  パララックスの手がかりがない場合、学習に基づく単一画像深度推定モデルは、画像のシェーディングと文脈的手がかりに大きく依存する。 このようなモデルを、キャプチャが難しい大規模で多様なデータセットでトレーニングする必要がある。 CLIPのようなトレーニング済みの基礎モデルからの埋め込みを使用することで、いくつかのアプリケーションにおけるゼロショット転送が改善される。
  論文  参考訳（メタデータ） (2024-03-27T17:53:30Z)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture [66.03918859810022]
  我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。 我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
  論文  参考訳（メタデータ） (2022-11-15T21:12:09Z)
• Self-Configuring nnU-Nets Detect Clouds in Satellite Images [30.46904432868366]
  nnU-Netsは、さまざまなデータセット上でセグメンテーションネットワークのメタラーニングを実行することができる、自己再構成可能なフレームワークである。 Sentinel-2とLandsat-8のマルチスペクトル画像を用いて行った実験により,nnU-Netsは手動設計なしで最先端のクラウドセグメンテーション性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-24T23:39:58Z)
• Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
  現実シナリオにおけるSID(Single Image deraining)は近年注目されている。 以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。 我々はRealRain-1kという新しい高品質のデータセットを構築した。
  論文  参考訳（メタデータ） (2022-06-11T12:26:59Z)
• Multiresolution Fully Convolutional Networks to detect Clouds and Snow through Optical Satellite Images [1.0602247913671219]
  雲と雪は、可視・近赤外線(VNIR)範囲で同様のスペクトル特性を持つ。 本研究では,VNIR画像の雲や雪を効果的に検出できる多分解能完全畳み込みニューラルネットワーク(FCN)を提案する。
  論文  参考訳（メタデータ） (2022-01-07T07:15:03Z)
• EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining [29.11278650245332]
  単一像のデレーニングは、未知の降雨モデルのため、かなり難しい。 本稿では,モデルのないデライン法,すなわち効率的なデレイン法を提案する。 10ms(平均約6ms)で雨の画像を処理でき、最先端の手法の80倍以上の速度で処理できる。
  論文  参考訳（メタデータ） (2020-09-19T14:32:50Z)
• Conditional Variational Image Deraining [158.76814157115223]
  キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク 本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。 合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-23T11:51:38Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。