論文の概要: BrazilDAM: A Benchmark dataset for Tailings Dam Detection

• arxiv url: http://arxiv.org/abs/2003.07948v2
• Date: Wed, 13 May 2020 14:47:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:40:17.073684
• Title: BrazilDAM: A Benchmark dataset for Tailings Dam Detection
• Title（参考訳）: brazildam:tailingsダム検出のためのベンチマークデータセット
• Authors: Edemir Ferreira, Matheus Brito, Remis Balaniuk, M\'ario S. Alvim, and Jefersson A. dos Santos
• Abstract要約: ブラジル国立鉱業庁(ANM)が集計したすべての尾翼ダムを網羅したSentinel-2とLandsat-8の衛星画像に基づく新しいパブリックデータセットであるブラジルDAMについて紹介する。 このデータセットは、2016年から2019年の間に記録された769のダムのジオレファレンス画像を用いて構築された。 ブラジルDAMの予測可能性を評価するために,最先端の深層畳み込みニューラルネットワーク(CNN)を用いた分類エッセイを行った。 実験では,ダム二分分類作業において,平均分類精度94.11%を達成した。
• 参考スコア（独自算出の注目度）: 2.5885796059994193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we present BrazilDAM, a novel public dataset based on Sentinel-2 and Landsat-8 satellite images covering all tailings dams cataloged by the Brazilian National Mining Agency (ANM). The dataset was built using georeferenced images from 769 dams, recorded between 2016 and 2019. The time series were processed in order to produce cloud free images. The dams contain mining waste from different ore categories and have highly varying shapes, areas and volumes, making BrazilDAM particularly interesting and challenging to be used in machine learning benchmarks. The original catalog contains, besides the dam coordinates, information about: the main ore, constructive method, risk category, and associated potential damage. To evaluate BrazilDAM's predictive potential we performed classification essays using state-of-the-art deep Convolutional Neural Network (CNNs). In the experiments, we achieved an average classification accuracy of 94.11% in tailing dam binary classification task. In addition, others four setups of experiments were made using the complementary information from the original catalog, exhaustively exploiting the capacity of the proposed dataset.
• Abstract（参考訳）: 本研究では,ブラジル国立鉱業庁 (ANM) が集計したすべての尾翼ダムをカバーする,Sentinel-2 と Landsat-8 衛星画像に基づく新しいパブリックデータセットである BrazilDAM を紹介する。 このデータセットは、2016年から2019年の間に記録された769のダムの画像を用いて構築された。 時系列はクラウドフリーの画像を生成するために処理された。 ダムには様々な鉱石カテゴリーの廃棄物が含まれており、形状、面積、体積が非常に異なるため、ブラジルダムは特に興味深く、機械学習ベンチマークでの使用が困難である。 オリジナルのカタログにはダム座標に加えて、主な鉱石、建設方法、リスクカテゴリ、関連する潜在的な損傷に関する情報が含まれている。 ブラジルDAMの予測可能性を評価するために,最先端の深層畳み込みニューラルネットワーク(CNN)を用いて分類エッセイを行った。 実験では,ダム二分分類作業において,平均分類精度94.11%を達成した。 さらに、他の4つの実験のセットアップでは、元のカタログから補完的な情報を使用して、提案したデータセットの容量を徹底的に活用した。

関連論文リスト

• Aerial Flood Scene Classification Using Fine-Tuned Attention-based Architecture for Flood-Prone Countries in South Asia [0.953693516244499]
  南アジア諸国の洪水の航空画像を集めた新しいデータセットを作成しました。 そこで本研究では,CCT(Compact Convolutional Transformer)に基づく手法を提案する。 また、YOLOv8オブジェクト検出モデルを実装し、画像内の家や人間を検出する。
  論文  参考訳（メタデータ） (2024-10-31T19:23:43Z)
• Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset [0.9029386959445269]
  我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。 また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。 データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
  論文  参考訳（メタデータ） (2023-11-15T18:49:29Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• FRMT: A Benchmark for Few-Shot Region-Aware Machine Translation [64.9546787488337]
  本稿では、Few-shot Region-aware Machine Translationのための新しいデータセットと評価ベンチマークFRMTを提案する。 このデータセットは、英語からポルトガル語と中国語の2つの地域変種へのプロの翻訳で構成されている。
  論文  参考訳（メタデータ） (2022-10-01T05:02:04Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Bamboo: Building Mega-Scale Vision Dataset Continually with Human-Machine Synergy [69.07918114341298]
  大規模データセットはコンピュータビジョンにおいて重要な役割を果たす。 既存のデータセットはラベルシステムに従って収集されるか、サンプルを区別せずに盲目的に収集される。 我々は,包括的ラベルシステム上で,積極的に注釈付きかつ継続的な高品質な視覚データセットの構築を提唱する。
  論文  参考訳（メタデータ） (2022-03-15T13:01:00Z)
• Continental-Scale Building Detection from High Resolution Satellite Imagery [5.56205296867374]
  アーキテクチャ,損失関数,正規化,事前学習,自己学習,後処理のバリエーションについて検討し,インスタンスセグメンテーション性能を向上する。 アフリカ全土の100万枚の衛星画像のデータセットを用いて、手動でラベル付けされた建築事例を含む実験が行われた。 本稿では,このモデルを用いた建物検出の性能向上のための新しい手法について報告する。
  論文  参考訳（メタデータ） (2021-07-26T15:48:14Z)
• Mining and Tailings Dam Detection In Satellite Imagery Using Deep Learning [1.8047694351309205]
  この研究は、クラウドコンピューティング、フリーのオープンソースソフトウェア、そして実際の大規模問題を分析するためのディープラーニングメソッドの組み合わせを探求する。 未登録の鉱石鉱山を特定し、ブラジル領の広い地域でダムを尾行することを目的としている。 このアプローチの有効性は、公式な採掘権を持たない263の鉱山の発見によって実証される。
  論文  参考訳（メタデータ） (2020-07-02T13:08:39Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。