論文の概要: A framework for large-scale mapping of human settlement extent from
Sentinel-2 images via fully convolutional neural networks
- arxiv url: http://arxiv.org/abs/2001.11935v1
- Date: Fri, 31 Jan 2020 16:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 06:48:04.163553
- Title: A framework for large-scale mapping of human settlement extent from
Sentinel-2 images via fully convolutional neural networks
- Title（参考訳）: 完全畳み込みニューラルネットワークによるセンチネル-2画像からの人間の沈下範囲の大規模マッピングのための枠組み
- Authors: C. Qiu and M. Schmitt and C. Geiss and T. K. Chen and X. X. Zhu
- Abstract要約: HSE情報(Human settlement extent)は、世界規模の都市化の貴重な指標である。
本稿では,多スペクトルSentinel-2データからHSEを自動的にマッピングするディープラーニングベースのフレームワークを提案する。
このフレームワークは、テスト領域に均等に分散された手動でラベル付けされたチェックポイントと、OpenStreetMapビルディングレイヤの両方に対して検証されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human settlement extent (HSE) information is a valuable indicator of
world-wide urbanization as well as the resulting human pressure on the natural
environment. Therefore, mapping HSE is critical for various environmental
issues at local, regional, and even global scales. This paper presents a
deep-learning-based framework to automatically map HSE from multi-spectral
Sentinel-2 data using regionally available geo-products as training labels. A
straightforward, simple, yet effective fully convolutional network-based
architecture, Sen2HSE, is implemented as an example for semantic segmentation
within the framework. The framework is validated against both manually labelled
checking points distributed evenly over the test areas, and the OpenStreetMap
building layer. The HSE mapping results were extensively compared to several
baseline products in order to thoroughly evaluate the effectiveness of the
proposed HSE mapping framework. The HSE mapping power is consistently
demonstrated over 10 representative areas across the world. We also present one
regional-scale and one country-wide HSE mapping example from our framework to
show the potential for upscaling. The results of this study contribute to the
generalization of the applicability of CNN-based approaches for large-scale
urban mapping to cases where no up-to-date and accurate ground truth is
available, as well as the subsequent monitor of global urbanization.
- Abstract（参考訳）: 人的定住範囲(HSE)情報は、自然環境に対する人的圧力だけでなく、世界規模の都市化の貴重な指標である。
したがって、HSEのマッピングは、地域、地域、さらには世界規模の様々な環境問題に対して重要である。
本稿では,多スペクトルSentinel-2データからHSEを自動的にマッピングする,深層学習に基づくフレームワークを提案する。
フレームワーク内のセマンティックセグメンテーションの例として、単純でシンプルで効果的な完全な畳み込みネットワークベースのアーキテクチャであるSen2HSEが実装されている。
このフレームワークは、テストエリアに均等に分散した手動ラベル付きチェックポイントと、openstreetmapビルディングレイヤの両方に対して検証される。
HSEマッピングの結果は,提案したHSEマッピングフレームワークの有効性を徹底的に評価するために,いくつかのベースライン製品と比較された。
HSEマッピングのパワーは、世界中の10の代表的な領域で一貫して実証されている。
また,本フレームワークから地域規模のHSEマッピングの例を1つ提示し,スケールアップの可能性を示した。
本研究は,cnnを用いた大規模都市地図作成手法の適用可能性の一般化に寄与する。
関連論文リスト
- Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳（メタデータ） (2023-09-26T23:55:39Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - A Coarse-to-Fine Approach for Urban Land Use Mapping Based on
Multisource Geospatial Data [4.2968261363970095]
本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。
まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。
次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
論文 参考訳（メタデータ） (2022-08-18T13:30:56Z) - A Unified Architecture of Semantic Segmentation and Hierarchical
Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。
我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。
我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
論文 参考訳（メタデータ） (2021-12-08T22:06:31Z) - Map completion from partial observation using the global structure of
multiple environmental maps [4.627706451989238]
本稿では,深層ニューラルネットワークを応用した確率的生成モデルに基づく新しいSLAM法であるマップ補完ネットワークを用いたSLAM(MCN-SLAM)を提案する。
提案手法は,従来のSLAM法よりも,部分観測の状況下で1.3倍の精度で環境マップを推定できることを実験で示した。
論文 参考訳（メタデータ） (2021-03-16T13:48:37Z) - Neural networks for semantic segmentation of historical city maps:
Cross-cultural performance and the impact of figurative diversity [0.0]
畳み込みニューラルネットワークに基づく歴史都市地図のセマンティックセグメンテーションモデルを提案する。
これらのネットワークは、非常に大きな比喩的多様性のマップデータを効率よく意味的にセグメント化できることを示す。
論文 参考訳（メタデータ） (2021-01-29T09:08:12Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Multi-level Feature Fusion-based CNN for Local Climate Zone
Classification from Sentinel-2 Images: Benchmark Results on the So2Sat LCZ42
Dataset [14.588626423336024]
この研究は、LCZ分類専用の大きなSo2Sat LCZ42ベンチマークデータセットに基づいている。
本稿では,Sen2LCZ-Net-MF を拡張した Sen2LCZ-Net-MF を用いて,CNN で Sentinel-2 画像から LCZ を分類する手法を提案する。
本研究は,LCZ分類と他の都市土地被覆土地利用分類の両分野において,今後のCNNベースのアルゴリズム開発のための重要なベースラインを提供する。
論文 参考訳（メタデータ） (2020-05-16T13:16:47Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳（メタデータ） (2020-04-10T06:58:03Z)
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。