抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習ネットワークに基づく既存のリモートセンシング画像デザジング法は,通常,モデルを訓練するために,明確な画像と対応するヘイズ画像のペアを使用する。しかし,明確な画像とそれらのヘイズ対応物の対は非常に不足しており,そして,合成煙霧画像は,実世界シナリオにおける実際の煙霧発生過程を正確にシミュレートできなかった。この問題に取り組むために,2つのGAN(生成敵対ネットワーク)を結合するカスケード法を提案した。それは学習からヘイズGAN(UGAN)と学習からデヘイズGAN(PAGAN)を含む。UGANは,不対な明確で煙霧の画像集合でリモートセンシング画像をいかにヘイズするかを学習し,次にPAGANをガイドして,そのような画像を正しく解読する方法を学習する。実際の煙霧と合成煙霧画像の間の不一致を減らすために,著者らはPAGANに自己注意機構を追加した。詳細は,すべての特徴位置から手がかりを用いて発生できる。さらに,識別器は,互いに一貫した画像の遠隔部分の非常に詳細な特徴をチェックすることができた。他の脱穀法と比較して,このアルゴリズムは,ネットワークを繰り返し訓練するために,多数の画像対を必要としない。そして,結果は,カスケード生成敵対ネットワークが,煙霧,薄雲の除去のために,視覚と定量的有効性を持つことを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】