論文の概要: From Bands to Depth: Understanding Bathymetry Decisions on Sentinel-2
- arxiv url: http://arxiv.org/abs/2601.12636v1
- Date: Mon, 19 Jan 2026 00:52:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.716104
- Title: From Bands to Depth: Understanding Bathymetry Decisions on Sentinel-2
- Title（参考訳）: バンドから奥行きへ:センチネルのベーシメトリー決定を理解する-2
- Authors: Satyaki Roy Chowdhury, Aswathnarayan Radhakrishnan, Hsiao Jou Hsu, Hari Subramoni, Joachim Moortgat,
- Abstract要約: 我々は,スウィントランスフォーマーに基づくU-Netモデル(Swin-BathyUNet)を分析し,それがどのように深みを推測し,いつその予測が信頼できるかを理解する。
- 参考スコア（独自算出の注目度）: 0.23488056916440855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying Sentinel-2 satellite derived bathymetry (SDB) robustly across sites remains challenging. We analyze a Swin-Transformer based U-Net model (Swin-BathyUNet) to understand how it infers depth and when its predictions are trustworthy. A leave-one-band out study ranks spectral importance to the different bands consistent with shallow water optics. We adapt ablation-based CAM to regression (A-CAM-R) and validate the reliability via a performance retention test: keeping only the top-p% salient pixels while neutralizing the rest causes large, monotonic RMSE increase, indicating explanations localize on evidence the model relies on. Attention ablations show decoder conditioned cross attention on skips is an effective upgrade, improving robustness to glint/foam. Cross-region inference (train on one site, test on another) reveals depth-dependent degradation: MAE rises nearly linearly with depth, and bimodal depth distributions exacerbate mid/deep errors. Practical guidance follows: maintain wide receptive fields, preserve radiometric fidelity in green/blue channels, pre-filter bright high variance near shore, and pair light target site fine tuning with depth aware calibration to transfer across regions.
- Abstract（参考訳）: SDB(Sentinel-2 satellite derived bathymetry)の設置は依然として困難である。
我々は,スウィントランスフォーマーに基づくU-Netモデル(Swin-BathyUNet)を分析し,それがどのように深みを推測し,いつその予測が信頼できるかを理解する。
左利きのアウトスタディは、浅い水光学と一致した異なるバンドに対するスペクトルの重要性をランク付けする。
我々はアブレーションに基づくCAMを回帰(A-CAM-R)に適用し、性能保持テストにより信頼性を検証した。
アテンション・エイブレーションでは、スキップに対するデコーダ条件付きクロスアテンションは効果的なアップグレードであり、グリント/フォアムに対する堅牢性を向上させる。
MAEは深さとほぼ直線的に上昇し、バイモーダル深度分布は中深度/深度誤差を悪化させる。
実践的なガイダンスは、広い受容場を維持し、緑/青のチャネルで放射能の忠実さを保ち、海岸付近でフィルター前の明るい高ばらつきを防ぎ、深度を意識したキャリブレーションを施した対光ターゲットサイトを微調整し、地域間の移動を誘導する。
関連論文リスト
- Systematic Evaluation of Depth Backbones and Semantic Cues for Monocular Pseudo-LiDAR 3D Detection [0.0]
KITTI検証において,深度バックボーンと機能工学が単分子Pseudo-LiDARパイプラインに与える影響を評価する。
既製のLiDAR検出器の下では、奥行きバックボーンの選択と幾何学的忠実度が二次的特徴注入よりも優れていた。
論文 参考訳（メタデータ） (2026-01-07T05:57:19Z) - Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
論文 参考訳（メタデータ） (2025-09-21T14:12:28Z) - VistaDepth: Frequency Modulation with Bias Reweighting for Enhanced Far-range Depth Estimation [13.13321690410482]
VistaDepthは、遠方のビスタを正確に再構築する能力によって名付けられた、新しいフレームワークである。
本稿では,適応重みを潜在空間の拡散損失に直接適用する機構であるBiasMapを紹介する。
実験により,VistaDepthは拡散型MDEの最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2025-04-21T13:30:51Z) - NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth
Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。
セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。
結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-22T11:48:06Z) - URCDC-Depth: Uncertainty Rectified Cross-Distillation with CutFlip for
Monocular Depth Estimation [24.03121823263355]
本稿では,トランスフォーマーと畳み込みニューラルネットワーク(CNN)間の不確かさを補正し,統合された深度推定器を学習する。
具体的には、TransformerブランチとCNNブランチの深さ推定を擬似ラベルとして使い、互いに教え合う。
そこで本研究では,深度推定のための垂直画像位置とは別に,より有用な手がかりを活用できる,驚くほどシンプルで効果的なデータ拡張手法であるCutFlipを提案する。
論文 参考訳（メタデータ） (2023-02-16T08:53:08Z) - Mind The Edge: Refining Depth Edges in Sparsely-Supervised Monocular Depth Estimation [42.19770683222846]
単眼深度推定(MDE)はコンピュータビジョンの基本的な問題であり、多くの応用がある。
本稿では,密集した合成データから深度エッジの位置を検出することを提案する。
いくつかの挑戦的データセットに対して,画素ごとの深度精度を比較検討することにより,深度エッジの精度が著しく向上したことを示す。
論文 参考訳（メタデータ） (2022-12-10T14:49:24Z) - On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
本論文では,2種類の堅牢なクロスビュー整合性について検討する。
深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。
いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2022-09-19T03:46:13Z) - Boundary-induced and scene-aggregated network for monocular depth
prediction [20.358133522462513]
本稿では,1枚のRGB画像の深度を推定するための境界誘導・Scene-aggregated Network (BS-Net)を提案する。
NYUD v2データセットとxffthe iBims-1データセットに関するいくつかの実験結果は、提案手法の最先端性能を示している。
論文 参考訳（メタデータ） (2021-02-26T01:43:17Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Direct Depth Learning Network for Stereo Matching [79.3665881702387]
ステレオマッチングのための新しいダイレクトディープス学習ネットワーク(DDL-Net)が設計されている。
DDL-Netは、粗度推定段階と適応勾配深度補正段階の2段階からなる。
我々は,DDL-NetがSceneFlowデータセットで25%,DrivingStereoデータセットで12%の平均的な改善を実現していることを示す。
論文 参考訳（メタデータ） (2020-12-10T10:33:57Z)
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。