論文の概要: Weakly Supervised Cloud Detection Combining Spectral Features and Multi-Scale Deep Network
- arxiv url: http://arxiv.org/abs/2510.00654v1
- Date: Wed, 01 Oct 2025 08:32:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.46821
- Title: Weakly Supervised Cloud Detection Combining Spectral Features and Multi-Scale Deep Network
- Title（参考訳）: スペクトル特徴とマルチスケールディープネットワークを組み合わせた弱監視クラウド検出
- Authors: Shaocong Zhu, Zhiwei Li, Xinghua Li, Huanfeng Shen,
- Abstract要約: 本稿では,スペクトル特徴とマルチスケールシーンレベル深層ネットワーク(SpecMCD)を組み合わせた弱教師付きクラウド検出手法を提案する。
提案手法のF1スコアは7.82%以上の改善を示し,クラウド検出におけるSpecMCD法の優位性と可能性を強調した。
- 参考スコア（独自算出の注目度）: 12.520904004953344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clouds significantly affect the quality of optical satellite images, which seriously limits their precise application. Recently, deep learning has been widely applied to cloud detection and has achieved satisfactory results. However, the lack of distinctive features in thin clouds and the low quality of training samples limit the cloud detection accuracy of deep learning methods, leaving space for further improvements. In this paper, we propose a weakly supervised cloud detection method that combines spectral features and multi-scale scene-level deep network (SpecMCD) to obtain highly accurate pixel-level cloud masks. The method first utilizes a progressive training framework with a multi-scale scene-level dataset to train the multi-scale scene-level cloud detection network. Pixel-level cloud probability maps are then obtained by combining the multi-scale probability maps and cloud thickness map based on the characteristics of clouds in dense cloud coverage and large cloud-area coverage images. Finally, adaptive thresholds are generated based on the differentiated regions of the scene-level cloud masks at different scales and combined with distance-weighted optimization to obtain binary cloud masks. Two datasets, WDCD and GF1MS-WHU, comprising a total of 60 Gaofen-1 multispectral (GF1-MS) images, were used to verify the effectiveness of the proposed method. Compared to the other weakly supervised cloud detection methods such as WDCD and WSFNet, the F1-score of the proposed SpecMCD method shows an improvement of over 7.82%, highlighting the superiority and potential of the SpecMCD method for cloud detection under different cloud coverage conditions.
- Abstract（参考訳）: 雲は光学衛星画像の品質に大きく影響し、精度を著しく制限している。
近年,クラウド検出にディープラーニングが広く適用され,良好な結果が得られた。
しかし、薄い雲に特有の特徴が欠如し、トレーニングサンプルの品質が低いため、ディープラーニング手法のクラウド検出精度が制限され、さらなる改善のためのスペースが残されている。
本稿では,スペクトル特徴とマルチスケールシーンレベル深層ネットワーク(SpecMCD)を組み合わせた弱教師付きクラウド検出手法を提案する。
本手法はまず,マルチスケールシーンレベルのデータセットを用いたプログレッシブトレーニングフレームワークを用いて,マルチスケールシーンレベルのクラウド検出ネットワークをトレーニングする。
次に,高密度クラウドにおける雲の特徴と大規模クラウド領域のカバレッジ画像に基づいて,多スケールの確率マップと雲厚マップを組み合わせることにより,画素レベルの雲の確率マップを得る。
最後に、異なるスケールのシーンレベルのクラウドマスクの分化領域に基づいて適応しきい値を生成し、距離重み付け最適化と組み合わせてバイナリクラウドマスクを得る。
提案手法の有効性を検証するために,60Gaofen-1 Multispectral (GF1-MS) 画像からなるWDCDとGF1MS-WHUの2つのデータセットを用いた。
WDCDやWSFNetのような他の弱監督型クラウド検出手法と比較して、提案手法のF1スコアは7.82%以上の改善を示し、異なるクラウドカバレッジ条件下でのクラウド検出におけるSpecMCD手法の優位性と可能性を強調している。
関連論文リスト
- DiffPCN: Latent Diffusion Model Based on Multi-view Depth Images for Point Cloud Completion [63.89701893364156]
DiffPCN(DiffPCN)を提案する。
提案手法は, 粗い点雲を発生させる初期段階と, 品質を向上する改良段階の2段階からなる。
実験の結果,DiffPCNは幾何的精度と形状の完全性において最先端の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2025-09-28T08:05:43Z) - Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。
本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。
本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文 参考訳（メタデータ） (2024-05-19T09:19:40Z) - 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) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - 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) - A lightweight deep learning based cloud detection method for Sentinel-2A
imagery fusing multi-scale spectral and spatial features [17.914305435378783]
マルチスケールスペクトル・空間特性(CDFM3SF)を融合したクラウド検出のための軽量ネットワークを提案する。
CDFM3SFは、従来のクラウド検出方法と最先端のディープラーニングベースの手法を精度と速度の両方で上回る。
論文 参考訳（メタデータ） (2021-04-29T09:36:42Z) - City-scale Scene Change Detection using Point Clouds [71.73273007900717]
2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。
変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。
この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。
提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
論文 参考訳（メタデータ） (2021-03-26T08:04:13Z) - Multi-Head Linear Attention Generative Adversarial Network for Thin
Cloud Removal [5.753245638190626]
雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。
薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。
6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
論文 参考訳（メタデータ） (2020-12-20T11:50:54Z) - Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。
提案手法の有効性を,多数の実proba-v画像を用いて検証した。
論文 参考訳（メタデータ） (2020-12-09T18:23:59Z) - Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization [3.65794756599491]
リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
論文 参考訳（メタデータ） (2020-08-11T05:59:20Z) - Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。
マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。
我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
論文 参考訳（メタデータ） (2020-07-29T22:52:28Z)
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。