論文の概要: DFPENet-geology: A Deep Learning Framework for High Precision
Recognition and Segmentation of Co-seismic Landslides
- arxiv url: http://arxiv.org/abs/1908.10907v3
- Date: Thu, 26 Oct 2023 09:06:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-29 16:21:41.009424
- Title: DFPENet-geology: A Deep Learning Framework for High Precision
Recognition and Segmentation of Co-seismic Landslides
- Title（参考訳）: dfpenet-geology:コサイスミック地すべりの高精度認識とセグメンテーションのための深層学習フレームワーク
- Authors: Qingsong Xu, Chaojun Ouyang, Tianhai Jiang, Xuanmei Fan, Duoxiang
Cheng
- Abstract要約: 本稿では,Dense-Decoder Network (DFPENet) を用いたロバストモデル Dense Feature Pyramid を開発した。
DFPENetモデルから抽出した画像特徴,地質学的特徴,時間分解能,地すべりの空間解析,移動学習を統合した共地震地すべり認識手法を提案する。
- 参考スコア（独自算出の注目度）: 7.927831418004974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic recognition and segmentation methods now become the essential
requirement in identifying co-seismic landslides, which are fundamental for
disaster assessment and mitigation in large-scale earthquakes. This approach
used to be carried out through pixel-based or object-oriented methods. However,
due to the massive amount of remote sensing data, variations in different
earthquake scenarios, and the efficiency requirement for post-earthquake
rescue, these methods are difficult to develop into an accurate, rapid,
comprehensive, and general (cross-scene) solution for co-seismic landslide
recognition. This paper develops a robust model, Dense Feature Pyramid with
Encoder-decoder Network (DFPENet), to understand and fuse the multi-scale
features of objects in remote sensing images. The proposed method achieves a
competitive segmentation accuracy on the public ISPRS 2D Semantic. Furthermore,
a comprehensive and widely-used scheme is proposed for co-seismic landslide
recognition, which integrates image features extracted from the DFPENet model,
geologic features, temporal resolution, landslide spatial analysis, and
transfer learning, while only RGB images are used. To corroborate its
feasibility and applicability, the proposed scheme is applied to two
earthquake-triggered landslides in Jiuzhaigou (China) and Hokkaido (Japan),
using available pre- and post-earthquake remote sensing images.
- Abstract（参考訳）: 大規模地震における災害評価・緩和の基盤となる地震地すべりの同定において, 自動認識・分割手法が必須条件となっている。
このアプローチは、以前はピクセルベースあるいはオブジェクト指向の方法で実施されていた。
しかし,大規模なリモートセンシングデータ,異なる地震シナリオの変動,地震後の救助の効率要求などにより,これらの手法は,地震時地すべり認識のための高精度で迅速で包括的で汎用的なソリューションへと発展するのは難しい。
本稿では,リモートセンシング画像におけるオブジェクトのマルチスケール特徴の理解と融合を目的とした,エンコーダデコーダネットワーク(DFPENet)を用いたロバストモデルDense Feature Pyramidを開発する。
提案手法は,ISPRS 2D Semantic上での競合セグメンテーション精度を実現する。
さらに, dfpenetモデルから抽出した画像特徴, 地質学的特徴, 時間分解能, 地すべり空間解析, 伝達学習を統合し, rgb画像のみを使用する, 共地震地すべり認識のための包括的かつ広く利用されている手法を提案する。
提案手法は,中国,北海道の2つの地すべり地すべりに対して,地震前・地震後リモートセンシング画像を用いて,その実現可能性と適用性について検討する。
関連論文リスト
- Multiclass Post-Earthquake Building Assessment Integrating Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。
2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
論文 参考訳（メタデータ） (2024-12-05T23:19:51Z) - Tomographic SAR Reconstruction for Forest Height Estimation [4.1942958779358674]
樹高推定は、生態学および森林学の応用において、バイオマス推定の重要な指標となる。
本研究では,SAR(Synthetic Aperture Radar)の派生である2Dシングルルックコンプレックス(SLC)画像から直接,深層学習を用いて林冠の高さを推定する。
本手法は,従来のトモグラフィ信号処理を回避し,SARキャプチャからエンド製品への遅延を低減する。
論文 参考訳（メタデータ） (2024-12-01T17:37:25Z) - Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。
DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。
次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
論文 参考訳（メタデータ） (2024-06-12T09:21:28Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - Cross-Geography Generalization of Machine Learning Methods for
Classification of Flooded Regions in Aerial Images [3.9921541182631253]
本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。
最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。
2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
論文 参考訳（メタデータ） (2022-10-04T13:11:44Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - Superpixel-Based Building Damage Detection from Post-earthquake Imagery Using Deep Neural Networks [6.527607790666018]
地震後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。
本稿では,Deep Neural Networks (DNN) と修正セグメンテーション手法を組み合わせた,新しいスーパーピクセルベースのアプローチを提案する。
2015年ネパール地震のWorldView-2画像による実験結果から,本手法の有効性と有効性が確認された。
論文 参考訳（メタデータ） (2021-12-09T08:05:02Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。