論文の概要: Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources

• arxiv url: http://arxiv.org/abs/2510.03006v1
• Date: Fri, 03 Oct 2025 13:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.407844
• Title: Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources
• Title（参考訳）: 日中は晴れた日ではない:データソース間の深部被覆層セグメンテーション堅牢性評価のための合成雲注入
• Authors: Sara Mobsite, Renaud Hostache, Laure Berti Equille, Emmanuel Roux, Joris Guerin,
• Abstract要約: 土地被覆セマンティックセグメンテーション(LCS)のための改良されたディープラーニングは、ラベル付き衛星データに依存している。 既存のSentinel-2データセットのほとんどはクラウドフリーであり、雲が一般的である熱帯地域での有用性を制限している。 我々は,現実的な雲の覆いをシミュレートするクラウドインジェクションアルゴリズムを開発し,雲に妨害された光学画像によって生じるギャップをSentinel-1レーダーデータがどのように埋めるかを検証した。
• 参考スコア（独自算出の注目度）: 1.5052861873036498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised deep learning for land cover semantic segmentation (LCS) relies on labeled satellite data. However, most existing Sentinel-2 datasets are cloud-free, which limits their usefulness in tropical regions where clouds are common. To properly evaluate the extent of this problem, we developed a cloud injection algorithm that simulates realistic cloud cover, allowing us to test how Sentinel-1 radar data can fill in the gaps caused by cloud-obstructed optical imagery. We also tackle the issue of losing spatial and/or spectral details during encoder downsampling in deep networks. To mitigate this loss, we propose a lightweight method that injects Normalized Difference Indices (NDIs) into the final decoding layers, enabling the model to retain key spatial features with minimal additional computation. Injecting NDIs enhanced land cover segmentation performance on the DFC2020 dataset, yielding improvements of 1.99% for U-Net and 2.78% for DeepLabV3 on cloud-free imagery. Under cloud-covered conditions, incorporating Sentinel-1 data led to significant performance gains across all models compared to using optical data alone, highlighting the effectiveness of radar-optical fusion in challenging atmospheric scenarios.
• Abstract（参考訳）: 土地被覆セマンティックセグメンテーション(LCS)のための改良されたディープラーニングは、ラベル付き衛星データに依存している。 しかし、既存のSentinel-2データセットのほとんどはクラウドフリーであり、雲が一般的である熱帯地域での有用性を制限している。 この問題の範囲を適切に評価するために,現実的な雲の覆いをシミュレートするクラウドインジェクションアルゴリズムを開発した。 また、深層ネットワークにおけるエンコーダダウンサンプリング中に、空間的および/またはスペクトル的詳細を失う問題にも対処する。 この損失を軽減するために,正規化差分指標(NDI)を最終復号層に注入する軽量な手法を提案する。 NDIを注入することでDFC2020データセットの土地被覆セグメンテーション性能が向上し、U-Netが1.99%、DeepLabV3が2.78%向上した。 雲に覆われた条件下では、Sentinel-1データを組み込むことで、光学データのみを使用する場合と比較して、全てのモデルで大幅な性能向上を実現し、挑戦的な大気シナリオにおけるレーダーと光学の融合の有効性を強調した。

関連論文リスト

• PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images [9.655563155560658]
  物理法則組み込みクラウド合成法 (PGCS) は, 実データを改善するために, 多様な現実的なクラウド画像を生成するために提案されている。 2つの雲補正法がPGCSから開発され、雲補正作業における最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-22T12:36:03Z)
• Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
  我々は,ポイントクラウドのための新しい固有textbfPointGST (textbfGraph textbfSpectral textbfTuning) 法を提案する。 ポイントGSTは事前訓練されたモデルを凍結し、スペクトル領域の微調整パラメータのための軽量で訓練可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。 さまざまなタスクにわたる挑戦的なポイントクラウドデータセットの実験では、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータも大幅に削減されていることが示されている。
  論文  参考訳（メタデータ） (2024-10-10T17:00:04Z)
• ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
  センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。 トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
  コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。 我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。 提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
  論文  参考訳（メタデータ） (2022-10-27T01:25:57Z)
• Sentinel-1 and Sentinel-2 Spatio-Temporal Data Fusion for Clouds Removal [51.9654625216266]
  雲崩壊した光画像復元のための新しい手法が,ジョイントデータ融合パラダイムに基づいて提案され,開発されている。 Sentinelのコードとデータセットはスクラッチから実装され、さらなる分析と調査のために興味のある研究が利用可能になった点に注目しておくとよいだろう。
  論文  参考訳（メタデータ） (2021-06-23T08:15:01Z)
• Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season Sentinel-2 Imagery [15.459106705735376]
  軌道上の地球画像を通して得られた光学観測の大部分は、雲の影響を受けている。 我々は、新しいクラウド除去アプローチをトレーニングするための大きな新しいデータセットをキュレートすることで、一般化の課題をターゲットにしている。 雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,両極端に対処できる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-16T13:40:42Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。