論文の概要: TIRAuxCloud: A Thermal Infrared Dataset for Day and Night Cloud Detection
- arxiv url: http://arxiv.org/abs/2602.21905v1
- Date: Wed, 25 Feb 2026 13:36:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.845849
- Title: TIRAuxCloud: A Thermal Infrared Dataset for Day and Night Cloud Detection
- Title（参考訳）: TIRAuxCloud:昼と夜の雲を検出するサーマル赤外線データセット
- Authors: Alexis Apostolakis, Vasileios Botsos, Niklas Wölki, Andrea Spichtinger, Nikolaos Ioannis Bountos, Ioannis Papoutsis, Panayiotis Tsanakas,
- Abstract要約: 雲は地球観測の大きな障害であり、重要なリモートセンシングアプリケーションの使用性と信頼性を制限している。
我々は、昼と夜の両方の条件下で雲のセグメンテーションを容易にするために、熱スペクトルデータを中心にしたデータセットであるTIRAuxCloudを提示する。
- 参考スコア（独自算出の注目度）: 3.920633646413082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clouds are a major obstacle in Earth observation, limiting the usability and reliability of critical remote sensing applications such as fire disaster response, urban heat island monitoring, and snow and ice cover mapping. Therefore, the ability to detect clouds 24/7 is of paramount importance. While visible and near-infrared bands are effective for daytime cloud detection, their dependence on solar illumination makes them unsuitable for nighttime monitoring. In contrast, thermal infrared (TIR) imagery plays a crucial role in detecting clouds at night, when sunlight is absent. Due to their generally lower temperatures, clouds emit distinct thermal signatures that are detectable in TIR bands. Despite this, accurate nighttime cloud detection remains challenging due to limited spectral information and the typically lower spatial resolution of TIR imagery. To address these challenges, we present TIRAuxCloud, a multi-modal dataset centered around thermal spectral data to facilitate cloud segmentation under both daytime and nighttime conditions. The dataset comprises a unique combination of multispectral data (TIR, optical, and near-infrared bands) from Landsat and VIIRS, aligned with auxiliary information layers. Elevation, land cover, meteorological variables, and cloud-free reference images are included to help reduce surface-cloud ambiguity and cloud formation uncertainty. To overcome the scarcity of manual cloud labels, we include a large set of samples with automated cloud masks and a smaller manually annotated subset to further evaluate and improve models. Comprehensive benchmarks are presented to establish performance baselines through supervised and transfer learning, demonstrating the dataset's value in advancing the development of innovative methods for day and night time cloud detection.
- Abstract（参考訳）: 雲は地球観測における大きな障害であり、火災災害対応、都市熱島モニタリング、雪と氷のカバーマッピングといった重要なリモートセンシングアプリケーションの使用性と信頼性を制限している。
したがって、雲24/7を検出する能力が最重要となる。
可視光と近赤外線のバンドは昼間の雲の検出には有効であるが、太陽の光への依存は夜間の監視には適さない。
対照的に、熱赤外(TIR)画像は、日光がない夜の雲を検出する上で重要な役割を担っている。
概して低い温度のため、雲はTIR帯で検出できる別の熱信号を発する。
それにもかかわらず、スペクトル情報が限られており、典型的にはTIR画像の空間解像度が低いため、正確な夜間雲の検出は難しいままである。
これらの課題に対処するため,熱スペクトルデータを中心としたマルチモーダルデータセットであるTIRAuxCloudを紹介した。
このデータセットは、ランドサットとVIIRSのマルチスペクトルデータ(TIR、光、近赤外バンド)と補助情報層を合わせたユニークな組み合わせを含む。
標高、土地被覆、気象変数、雲のない基準画像は、表面-雲のあいまいさと雲の形成の不確実性を軽減するために含まれる。
手動のクラウドラベルの不足を克服するため、自動化されたクラウドマスクを備えた大規模なサンプルセットと、より小さな手動アノテートサブセットを含んで、モデルの評価と改善を行っている。
総合ベンチマークは、教師付きおよび転送学習を通じてパフォーマンスのベースラインを確立するために提示され、昼と夜のクラウド検出のための革新的な方法の開発を進める上で、データセットの価値を実証している。
関連論文リスト
- CBEN -- A Multimodal Machine Learning Dataset for Cloud Robust Remote Sensing Image Understanding [4.405830705915443]
クラウドレス分析は、マシンラーニングのデータセットやメソッドから、クラウドイメージを除外して実行されることが多い。
クラウドロバストな方法は、雲の影響を受けないモダリティであるレーダーと光学データを組み合わせることで達成できる。
本研究は,光・レーダレーダレーダを併用して訓練した最先端の手法が,曇り画像上で評価した場合,23～33ポイントの性能低下を被ることを示す。
論文 参考訳（メタデータ） (2026-02-13T06:24:55Z) - Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources [1.5052861873036498]
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。
論文 参考訳（メタデータ） (2025-10-03T13:51:35Z) - NDLPNet: A Location-Aware Nighttime Deraining Network and a Real-World Benchmark Dataset [8.582528726118023]
雨のストリークは夜間監視と自律航法の性能を阻害する。
我々は、NDLPNet(Nighttime Deraining Location-enhanced Perceptual Network)を提案する。
NDLPNetは、低照度環境における降雨ストリークの空間的位置情報と密度分布をキャプチャする。
論文 参考訳（メタデータ） (2025-09-17T07:24:47Z) - Machine Learning for Cloud Detection in IASI Measurements: A Data-Driven SVM Approach with Physical Constraints [0.0]
我々は、メトオップ(MetOp)衛星に搭載された赤外線音波干渉計(IASI)から赤外線放射光を分析し、シーンを鮮明または曇りとして分類する。
我々の最良の構成は、基準ラベルとの88.30%の一致を実現し、モード分解能イメージング分光計(MODIS)の雲面との強い整合性を示す。
これらの結果から,CISVMは赤外放射光から自動的に雲を分類する,堅牢で柔軟で効率的な方法であることが示された。
論文 参考訳（メタデータ） (2025-08-13T18:35:27Z) - Lighting the Night with Generative Artificial Intelligence [12.565202991911411]
夜間の可視光の欠如により、可視光反射データを用いて日中連続的な気象観測を行うことは不可能である。
我々は,0.47mumathrmm,0.65mumathrmm,0.825mumathrmm帯の夜間可視光反射発生を可能にするRefDiffと呼ばれる高精度可視光反射生成モデルを開発した。
論文 参考訳（メタデータ） (2025-06-26T03:21:08Z) - Transforming Weather Data from Pixel to Latent Space [57.80389860291812]
本稿では,気象データを画素空間から潜在空間に変換する新しい気象遅延オートエンコーダを提案する。
ERA5-latent データセットの作成を可能にするため,圧縮性能と再構成性能に優れることを示す。
論文 参考訳（メタデータ） (2025-03-09T13:55:33Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - 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) - 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) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。