論文の概要: Impact of Atmospheric Turbulence and Pointing Error on Earth Observation

• arxiv url: http://arxiv.org/abs/2605.22268v1
• Date: Thu, 21 May 2026 10:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.205213
• Title: Impact of Atmospheric Turbulence and Pointing Error on Earth Observation
• Title（参考訳）: 大気乱流とポインティング誤差が地球観測に及ぼす影響
• Authors: Celia Sánchez-de-Miguel, Antonio M. Mercado-Martínez, Beatriz Soret, Antonio Jurado-Navas, Miguel Castillo-Vázquez,
• Abstract要約: 提案したシミュレータで生成した画像に対して, YOLOv8 と RetinaNet を用いて, 乱流とポインティング誤差の異なる容器検出の評価を行った。 その結果, YOLOv8リコールは, 理想的な条件下では91%から, 弱い乱流が存在する場合には60%に減少し, 強い乱流やジッタでは40%以下に低下することがわかった。 対照的にRetinaNetはより堅牢性を示し、劣化した条件で約75%のリコールを維持している。
• 参考スコア（独自算出の注目度）: 3.6568046283929743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earth Observation (EO) imagery is often degraded by atmospheric turbulence and pointing jitter; yet, these effects are rarely considered in datasets used to train AI-based detection models. Based on prior work, this paper presents an enhanced image simulator that enables the incorporation of vertical-path atmospheric turbulence and satellite pointing jitter, arising from platform and sensor vibrations, to generate physically realistic distorted images. As a case study, vessel detection is evaluated using YOLOv8 and RetinaNet on images generated by the proposed simulator under different levels of turbulence and pointing errors. Results show that YOLOv8 recall decreases from 91% under ideal conditions to 60% in the presence of weak turbulence, and falls below 40% under strong turbulence or jitter. In contrast, RetinaNet demonstrates greater robustness, maintaining approximately 75% recall across degraded conditions. These results highlight the importance of incorporating realistic physical degradations into EO training datasets to ensure reliable performance of AI-based models in operational environments, as demonstrated in maritime surveillance applications.
• Abstract（参考訳）: 地球観測(EO)画像は大気の乱流とポインティングジッターによって劣化することが多いが、これらの効果はAIベースの検出モデルのトレーニングに使用されるデータセットではめったに考慮されない。 そこで本研究では,プラットフォームやセンサの振動から発生する垂直方向の大気乱流と衛星ポインティングジッタを組み込むことにより,物理的にリアルな歪み画像を生成するための画像シミュレータを提案する。 ケーススタディでは, 提案したシミュレータが生成した画像に対して, YOLOv8 と RetinaNet を用いて, 乱流とポインティング誤差の異なる値で容器検出を評価する。 その結果, YOLOv8リコールは, 理想的な条件下では91%から, 弱い乱流が存在する場合には60%に減少し, 強い乱流やジッタでは40%以下に低下することがわかった。 対照的にRetinaNetはより堅牢性を示し、劣化した条件で約75%のリコールを維持している。 これらの結果は、海上監視アプリケーションで示されるように、運用環境でAIベースのモデルの信頼性の高いパフォーマンスを確保するために、現実的な物理的劣化をEOトレーニングデータセットに組み込むことの重要性を強調している。

関連論文リスト

• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Robustness of Object Detection of Autonomous Vehicles in Adverse Weather Conditions [2.4690347153946237]
  本稿では,悪天候下での自律走行車における物体検出MLモデルのロバスト性を評価する手法を提案する。 データ拡張演算子を使用して、有害な操作条件の異なる重症度をシミュレートする合成データを生成する。 オブジェクト検出モデルのロバスト性は、ベンチマークの入力画像上での平均1次故障係数(AFFC)によって測定される。
  論文  参考訳（メタデータ） (2026-02-13T13:02:44Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• An Empirical Study on the Robustness of YOLO Models for Underwater Object Detection [5.084022830578536]
  6つの模擬水中環境における最近のYOLO変異体(YOLOv8-YOLOv12)の総合評価を行った。 以上の結果から,YOLOv12は全体的な性能が最も高いが,騒音に強いことが示唆された。 実験の結果、画像数とインスタンス頻度は、主に検出性能を駆動し、物体の外観は二次的な影響しか与えないことがわかった。
  論文  参考訳（メタデータ） (2025-09-22T10:55:21Z)
• Real-Time Blind Defocus Deblurring for Earth Observation: The IMAGIN-e Mission Approach [55.2480439325792]
  この研究は、ISSのIMAGIN-eミッションの地球観測画像の機械的デフォーカスに対処する。 提案手法は,Sentinel-2データを用いてデフォーカスカーネルを推定し,GANフレームワーク内で復元モデルをトレーニングする。 このアプローチは現在、IMAGIN-eミッションで展開されており、運用宇宙環境における実用性を実証している。
  論文  参考訳（メタデータ） (2025-05-28T08:52:38Z)
• Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions [1.660242118349614]
  本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。 その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
  論文  参考訳（メタデータ） (2024-08-25T08:23:06Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。