PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images

要約

リモートセンシングにおける情報抽出と分析には、データの量と質の両方が重要です。
しかし、現在のリモート センシング データセットはこれら 2 つの要件を満たしていないことが多く、クラウドがデータの量と品質を低下させる主な要因となっています。
この制限は、リモート センシング アプリケーション、特にデータ駆動型技術から得られる結果の精度に影響します。
この論文では、現実的な多様な雲画像を生成して実際のデータを強化し、雲の補正、雲の検出、分類のためのデータ拡張などの後続のタスクのアルゴリズムの開発を促進する、物理法則埋め込み生成雲合成法 (PGCS) を提案します。
、認識、セグメンテーション。
PGCS メソッドには、空間合成とスペクトル合成という 2 つの重要なフェーズが含まれます。
空間合成フェーズでは、スタイルベースの敵対的生成ネットワークを利用して空間特性をシミュレートし、単一チャネルのクラウドを無数に生成します。
スペクトル合成フェーズでは、ローカル統計とグローバル フィッティング手法を通じて大気散乱則が埋め込まれ、単一チャネルの雲をマルチスペクトルの雲に変換します。
実験結果は、PGCS が両方のフェーズで高い精度を達成し、他の 3 つの既存のクラウド合成方法よりも優れたパフォーマンスを発揮することを示しています。
2 つの雲補正方法は PGCS から開発され、雲補正タスクにおいて最先端の方法と比較して優れたパフォーマンスを示します。
さらに、さまざまなセンサーからのデータを使用した PGCS のアプリケーションが調査され、拡張に成功しました。
コードは https://github.com/Liying-Xu/PGCS で提供されます。

要約(オリジナル)

Data quantity and quality are both critical for information extraction and analyzation in remote sensing. However, the current remote sensing datasets often fail to meet these two requirements, for which cloud is a primary factor degrading the data quantity and quality. This limitation affects the precision of results in remote sensing application, particularly those derived from data-driven techniques. In this paper, a physical law embedded generative cloud synthesis method (PGCS) is proposed to generate diverse realistic cloud images to enhance real data and promote the development of algorithms for subsequent tasks, such as cloud correction, cloud detection, and data augmentation for classification, recognition, and segmentation. The PGCS method involves two key phases: spatial synthesis and spectral synthesis. In the spatial synthesis phase, a style-based generative adversarial network is utilized to simulate the spatial characteristics, generating an infinite number of single-channel clouds. In the spectral synthesis phase, the atmospheric scattering law is embedded through a local statistics and global fitting method, converting the single-channel clouds into multi-spectral clouds. The experimental results demonstrate that PGCS achieves a high accuracy in both phases and performs better than three other existing cloud synthesis methods. Two cloud correction methods are developed from PGCS and exhibits a superior performance compared to state-of-the-art methods in the cloud correction task. Furthermore, the application of PGCS with data from various sensors was investigated and successfully extended. Code will be provided at https://github.com/Liying-Xu/PGCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google