文献

J-GLOBAL ID：202202273261095844   整理番号：22A0779504

多時期画像超解像における置換不変性と不確実性【JST・京大機械翻訳】

Permutation Invariance and Uncertainty in Multitemporal Image Super-Resolution

著者 (2件)： Valsesia Diego (Department of Electronics and Telecommunications, Politecnico di Torino, Turin, Italy) ,  Magli Enrico (Department of Electronics and Telecommunications, Politecnico di Torino, Turin, Italy)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5613712.1-12  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近の進歩は,低解像度(LR)画像の多重時間収集から始まり,超解像遠隔センシング画像において,深いニューラルネットワークが極めて有効であることを示している。しかしながら,既存のモデルは時間的置換の問題を無視し,入力画像の時間順序付けは超解像度(SR)タスクに対していかなる関連情報も持たず,そのようなモデルを訓練のために利用可能な,しばしば不足した地上-トルースデータで非効率にする。従って,モデルは,時間的順序付けに依存する特徴抽出器を学習しない。本論文では,時間的置換に対して完全に不変であるモデルの構築が,性能とデータ効率を著しく改善する方法を示した。さらに,最終ユーザが製品の局所品質にインフォームされているように,超分解画像の不確実性を定量化する方法を研究した。不確実性が時系列における時間的変動とどのように相関するか,そしてそれをいかに定量化するかがモデル性能をさらに改善することを示した。Proba-Vチャレンジデータセットに関する実験は,自己アンサンブルの必要がなく,また,訓練データのちょうど25%の課題勝者の性能に達する,データ効率の改善なしに,最先端技術状態に対して顕著な改善を示した。Copyright 2022 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】

シソーラス用語： 時間 ,  *不確実性 ,  ニューラルネットワーク ,  特徴抽出 ,  経時変化 ,  *画像 ,  *期間 ,  多重化 ,  *超解像 ,  *不変性
準シソーラス用語： 訓練データ ,  順序づけ ,  低分解能 ,  リモートセンシング画像 ,  *多時期 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 多時期 ,  超解像 ,  置換 ,  不変性 ,  不確実性