論文の概要: A Classification-Aware Super-Resolution Framework for Ship Targets in SAR Imagery

• arxiv url: http://arxiv.org/abs/2508.06407v1
• Date: Fri, 08 Aug 2025 15:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.289014
• Title: A Classification-Aware Super-Resolution Framework for Ship Targets in SAR Imagery
• Title（参考訳）: SAR画像における船舶目標の分類対応超解法フレームワーク
• Authors: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus,
• Abstract要約: 高解像度画像は、分類、検出、セグメンテーションといった視覚認識タスクのパフォーマンス向上に重要な役割を果たしている。 これを解決するために、低解像度入力から高解像度画像を再構成しようとする超解像度(SR)技術が広く採用されている。 本稿では,画像品質と分類性能の両方を考慮した損失関数を最適化することにより,合成開口レーダ画像の分解能を向上させる手法を提案する。
• 参考スコア（独自算出の注目度）: 6.0018610735178894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution imagery plays a critical role in improving the performance of visual recognition tasks such as classification, detection, and segmentation. In many domains, including remote sensing and surveillance, low-resolution images can limit the accuracy of automated analysis. To address this, super-resolution (SR) techniques have been widely adopted to attempt to reconstruct high-resolution images from low-resolution inputs. Related traditional approaches focus solely on enhancing image quality based on pixel-level metrics, leaving the relationship between super-resolved image fidelity and downstream classification performance largely underexplored. This raises a key question: can integrating classification objectives directly into the super-resolution process further improve classification accuracy? In this paper, we try to respond to this question by investigating the relationship between super-resolution and classification through the deployment of a specialised algorithmic strategy. We propose a novel methodology that increases the resolution of synthetic aperture radar imagery by optimising loss functions that account for both image quality and classification performance. Our approach improves image quality, as measured by scientifically ascertained image quality indicators, while also enhancing classification accuracy.
• Abstract（参考訳）: 高解像度画像は、分類、検出、セグメンテーションといった視覚認識タスクのパフォーマンス向上に重要な役割を果たしている。 リモートセンシングや監視を含む多くの領域では、低解像度の画像は自動解析の精度を制限することができる。 これを解決するために、低解像度入力から高解像度画像を再構成しようとする超解像度(SR)技術が広く採用されている。 従来の手法では、ピクセルレベルのメトリクスに基づいて画像品質を向上させることのみに重点を置いており、超解像忠実度と下流分類性能の関係は、ほとんど探索されていない。 分類目的を直接超解像プロセスに統合することで、分類精度をさらに向上できるか? 本稿では,特殊化アルゴリズム戦略の展開を通じて,超解像と分類の関係を解明し,この問題に対処する。 本稿では,画像品質と分類性能の両方を考慮した損失関数を最適化することにより,合成開口レーダ画像の分解能を向上させる手法を提案する。 本手法は,画像品質指標を科学的に確認し,分類精度を向上させるとともに,画像品質の向上を図る。

関連論文リスト

• HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation [74.1872891313184]
  HRSegは高精細な知覚を持つ効率的なモデルである。 高分解能知覚(HRP)と高分解能増強(HRE)の2つの重要な革新を特徴としている。
  論文  参考訳（メタデータ） (2025-07-17T08:09:31Z)
• Adaptive Object Detection with ESRGAN-Enhanced Resolution & Faster R-CNN [1.3107174618549584]
  高速領域畳み込みニューラルネットワーク (Faster R-CNN) と高分解能生成共振器ネットワーク (ESRGAN) を提案する。 ESRGANは低画質の画像を改善し、詳細を復元し、明瞭さを向上させる。 より高速なR-CNNは、拡張画像上で正確なオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2025-06-10T05:49:54Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Textural-Structural Joint Learning for No-Reference Super-Resolution Image Quality Assessment [59.91741119995321]
  我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。 画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。 実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
  論文  参考訳（メタデータ） (2022-05-27T09:20:06Z)
• Semantically Accurate Super-Resolution Generative Adversarial Networks [2.0454959820861727]
  セマンティックセグメンテーションの性能を高めるために,新しいアーキテクチャとドメイン固有の特徴損失を提案する。 提案手法は,全ての予測クラスにおいて,知覚的画像品質と定量的セグメンテーションの精度を向上することを示す。 この研究は、画像ベースとタスク固有の損失を共同で検討することにより、両者のパフォーマンスを向上し、空中画像のセマンティック・アウェア・スーパーレゾリューションにおける最先端の進歩を実証する。
  論文  参考訳（メタデータ） (2022-05-17T23:05:27Z)
• High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
  超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。 提案手法は画像分割精細化において高速かつ効果的である。
  論文  参考訳（メタデータ） (2021-11-29T11:53:06Z)
• Analysis and evaluation of Deep Learning based Super-Resolution algorithms to improve performance in Low-Resolution Face Recognition [0.0]
  超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。 このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。 実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
  論文  参考訳（メタデータ） (2021-01-19T02:41:57Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。