Efficient Multi-Resolution Fusion for Remote Sensing Data with Label Uncertainty

要約

マルチモーダル センサー データ フュージョンは、各センサーからの補完的または強化的な情報を利用し、シーン分類やターゲット検出などのアプリケーションの全体的なパフォーマンスを向上させることができます。
この論文では、取得が難しいピクセルレベルのトレーニングラベルを必要とせずに、マルチモーダルおよびマルチ解像度のリモートセンサーデータを融合する新しい方法を紹介します。
以前、フュージョンのラベルの不確実性に対処するマルチインスタンスマルチ解像度フュージョン (MIMRF) フレームワークを開発しましたが、センサー データ ソースの統合に使用されるファジィ測定の検索スペースが大きいため、トレーニングに時間がかかる可能性があります。
我々は、探索空間を削減し、MIMRF フレームワークの効率を大幅に向上させる、バイナリ ファジィ測定に基づく新しい方法を提案します。
合成データと現実世界のリモートセンシング検出タスクに関する実験結果を提示し、提案されたMIMRF-BFMアルゴリズムが不確実性のあるリモートセンシングデータを考慮して多重解像度融合を効果的かつ効率的に実行できることを示します。

要約(オリジナル)

Multi-modal sensor data fusion takes advantage of complementary or reinforcing information from each sensor and can boost overall performance in applications such as scene classification and target detection. This paper presents a new method for fusing multi-modal and multi-resolution remote sensor data without requiring pixel-level training labels, which can be difficult to obtain. Previously, we developed a Multiple Instance Multi-Resolution Fusion (MIMRF) framework that addresses label uncertainty for fusion, but it can be slow to train due to the large search space for the fuzzy measures used to integrate sensor data sources. We propose a new method based on binary fuzzy measures, which reduces the search space and significantly improves the efficiency of the MIMRF framework. We present experimental results on synthetic data and a real-world remote sensing detection task and show that the proposed MIMRF-BFM algorithm can effectively and efficiently perform multi-resolution fusion given remote sensing data with uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google