論文の概要: CloudMamba: An Uncertainty-Guided Dual-Scale Mamba Network for Cloud Detection in Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2604.06844v1
• Date: Wed, 08 Apr 2026 09:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.443569
• Title: CloudMamba: An Uncertainty-Guided Dual-Scale Mamba Network for Cloud Detection in Remote Sensing Imagery
• Title（参考訳）: CloudMamba: リモートセンシング画像におけるクラウド検出のための不確実なガイド付きデュアルスケールマンバネットワーク
• Authors: Jiajun Yang, Keyan Chen, Zhengxia Zou, Zhenwei Shi,
• Abstract要約: リモートセンシング画像におけるクラウド検出は、基本的で、重要で、非常に難しい問題である。 我々は,薄いクラウド領域におけるあいまいさに対処するため,CloudMambaという新しいディープラーニングフレームワークを提案する。 提案手法は,複数の精度指標において既存手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 33.6977706288741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud detection in remote sensing imagery is a fundamental, critical, and highly challenging problem. Existing deep learning-based cloud detection methods generally formulate it as a single-stage pixel-wise binary segmentation task with one forward pass. However, such single-stage approaches exhibit ambiguity and uncertainty in thin-cloud regions and struggle to accurately handle fragmented clouds and boundary details. In this paper, we propose a novel deep learning framework termed CloudMamba. To address the ambiguity in thin-cloud regions, we introduce an uncertainty-guided two-stage cloud detection strategy. An embedded uncertainty estimation module is proposed to automatically quantify the confidence of thin-cloud segmentation, and a second-stage refinement segmentation is introduced to improve the accuracy in low-confidence hard regions. To better handle fragmented clouds and fine-grained boundary details, we design a dual-scale Mamba network based on a CNN-Mamba hybrid architecture. Compared with Transformer-based models with quadratic computational complexity, the proposed method maintains linear computational complexity while effectively capturing both large-scale structural characteristics and small-scale boundary details of clouds, enabling accurate delineation of overall cloud morphology and precise boundary segmentation. Extensive experiments conducted on the GF1_WHU and Levir_CS public datasets demonstrate that the proposed method outperforms existing approaches across multiple segmentation accuracy metrics, while offering high efficiency and process transparency. Our code is available at https://github.com/jayoungo/CloudMamba.
• Abstract（参考訳）: リモートセンシング画像におけるクラウド検出は、基本的で、重要で、非常に難しい問題である。 既存のディープラーニングベースのクラウド検出手法は、一般に1つの前方パスを持つ1段階のピクセル単位のバイナリセグメンテーションタスクとして定式化されている。 しかし、このような単一ステージアプローチは、薄いクラウド領域における曖昧さと不確実性を示し、断片化された雲や境界の詳細を正確に扱うのに苦労する。 本稿では,CloudMambaと呼ばれる新しいディープラーニングフレームワークを提案する。 薄層クラウド領域の曖昧性に対処するために,不確実性誘導型2段階クラウド検出戦略を導入する。 薄クラウドセグメンテーションの信頼性を自動的に定量化するために,組込み不確実性推定モジュールを提案し,低信頼硬質領域の精度を向上させるために第2段精錬セグメンテーションを導入した。 CNN-Mambaハイブリッドアーキテクチャに基づくマルチスケールのMambaネットワークを設計する。 2次計算複雑性を持つTransformerベースのモデルと比較して、提案手法は、大規模構造特性と雲の境界詳細の両方を効果的に把握しつつ、線形計算複雑性を維持し、雲の全体形態と正確な境界セグメンテーションの正確な記述を可能にする。 GF1_WHU と Levir_CS の公開データセットで実施された大規模な実験により、提案手法は、高い効率とプロセス透過性を提供しながら、複数のセグメンテーション精度のメトリクスにわたって既存のアプローチよりも優れていることが示された。 私たちのコードはhttps://github.com/jayoungo/CloudMamba.comから入手可能です。

関連論文リスト

• CloudMatch: Weak-to-Strong Consistency Learning for Semi-Supervised Cloud Detection [10.250611987029254]
  CloudMatchは、ラベルのないリモートセンシングイメージを効果的に活用する、半教師付きフレームワークである。 我々の重要な洞察は、様々な拡張ビューにまたがって予測一貫性を強制し、シーン間混合とシーン内混合の両方を取り入れることである。 実験の結果、CloudMatchはパフォーマンスが良く、ラベルのないデータを効率的に活用できることが示されている。
  論文  参考訳（メタデータ） (2026-01-07T02:31:17Z)
• Weakly Supervised Cloud Detection Combining Spectral Features and Multi-Scale Deep Network [12.520904004953344]
  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。
  論文  参考訳（メタデータ） (2025-10-01T08:32:49Z)
• EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
  高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。 過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。 勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。 提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
  論文  参考訳（メタデータ） (2025-07-16T07:23:14Z)
• LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds [38.42527849407057]
  LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。 感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。 本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
  論文  参考訳（メタデータ） (2025-01-10T02:36:37Z)
• Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
  我々は,正確なクラウド認識のための新しいデータセットを開発した。 領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。 また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
  論文  参考訳（メタデータ） (2024-01-06T09:58:09Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• Multi-scale Cloud Detection in Remote Sensing Images using a Dual Convolutional Neural Network [4.812718493682455]
  CNNは、リモートセンシング画像のピクセルレベルの分類において、最先端の技術を進歩させた。 アンサンプとフル解像度の画像を逐次処理する2つのCNNモデルコンポーネントのアーキテクチャを提案する。 パッチによるCNNベースラインの画素精度は16%向上した。
  論文  参考訳（メタデータ） (2020-06-01T10:27:42Z)

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。