論文の概要: DenoDet V2: Phase-Amplitude Cross Denoising for SAR Object Detection

• arxiv url: http://arxiv.org/abs/2508.09392v1
• Date: Tue, 12 Aug 2025 23:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.712492
• Title: DenoDet V2: Phase-Amplitude Cross Denoising for SAR Object Detection
• Title（参考訳）: DenoDet V2:SARオブジェクト検出のための位相振幅クロスノイズ化
• Authors: Kang Ni, Minrui Zou, Yuxuan Li, Xiang Li, Kehua Guo, Ming-Ming Cheng, Yimian Dai,
• Abstract要約: 本稿では,バンドワイド相互変調機構を用いて,振幅と位相情報の相補的性質を利用するDenoDet V2を提案する。 DenoDet V2は、DenoDet V1と比較してSARDet-100Kデータセットの大幅な0.8%改善を実現し、モデルの複雑さを半分に削減した。
• 参考スコア（独自算出の注目度）: 49.9059941674531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the primary challenges in Synthetic Aperture Radar (SAR) object detection lies in the pervasive influence of coherent noise. As a common practice, most existing methods, whether handcrafted approaches or deep learning-based methods, employ the analysis or enhancement of object spatial-domain characteristics to achieve implicit denoising. In this paper, we propose DenoDet V2, which explores a completely novel and different perspective to deconstruct and modulate the features in the transform domain via a carefully designed attention architecture. Compared to DenoDet V1, DenoDet V2 is a major advancement that exploits the complementary nature of amplitude and phase information through a band-wise mutual modulation mechanism, which enables a reciprocal enhancement between phase and amplitude spectra. Extensive experiments on various SAR datasets demonstrate the state-of-the-art performance of DenoDet V2. Notably, DenoDet V2 achieves a significant 0.8\% improvement on SARDet-100K dataset compared to DenoDet V1, while reducing the model complexity by half. The code is available at https://github.com/GrokCV/GrokSAR.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)オブジェクト検出の主な課題の1つは、コヒーレントノイズの広範的影響にある。 一般的な手法として、手工芸法や深層学習法といった既存の手法では、暗黙の認知を実現するために、対象空間領域の特徴の分析や強化が用いられている。 本稿では,DenoDet V2を提案する。DenoDet V2は完全に斬新で異なる視点を探求し,慎重に設計されたアテンションアーキテクチャを用いてトランスフォーメーションドメインの機能のデコンストラクションと変調を行う。 DenoDet V1と比較して、DenoDet V2は、位相スペクトルと振幅スペクトルの相互増強を可能にするバンドワイド相互変調機構を通じて振幅と位相情報の相補的性質を利用する大きな進歩である。 さまざまなSARデータセットに対する大規模な実験は、DenoDet V2の最先端のパフォーマンスを示している。 特に、DenoDet V2は、モデルの複雑さを半分に減らしながら、SARDet-100Kデータセットに対して、DenoDet V1と比較して0.8\%の大幅な改善を実現している。 コードはhttps://github.com/GrokCV/GrokSARで入手できる。

関連論文リスト

• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• PatchRefiner V2: Fast and Lightweight Real-Domain High-Resolution Metric Depth Estimation [38.71875790942604]
  PRV2はUnrealStereo4Kの精度と速度の両方で最先端の深さ推定手法より優れている。 また、CityScape、ScanNet++、KITTIといった現実世界のデータセットでは、奥行き境界線が改善されている。
  論文  参考訳（メタデータ） (2025-01-02T07:41:27Z)
• UDHF2-Net: Uncertainty-diffusion-model-based High-Frequency TransFormer Network for Remotely Sensed Imagery Interpretation [17.289252835606533]
  不確実拡散モデルに基づく高周波トランスフォーマーネットワーク(UDHF2-Net)が最初に提案される。 UDHF2-Netは空間定常非定常高周波接続パラダイム(SHCP)である Mask-and-geo-knowledge-based uncertainty diffusion module (MUDM) は自己指導型学習戦略である。 周波数ワイド半擬似半擬似UDHF2-Netは、変更検出の精度と複雑さのバランスをとるために提案された最初のものである。
  論文  参考訳（メタデータ） (2024-06-23T15:03:35Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)

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。