論文の概要: Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2005.05652v1
- Date: Tue, 12 May 2020 10:03:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-03 18:50:39.260512
- Title: Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた大域的都市域の超高分解能土地被覆マッピング
- Abstract要約: 本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。
最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper describes a methodology to produce a 7-classes land cover map of
urban areas from very high resolution images and limited noisy labeled data.
The objective is to make a segmentation map of a large area (a french
department) with the following classes: asphalt, bare soil, building,
grassland, mineral material (permeable artificialized areas), forest and water
from 20cm aerial images and Digital Height Model. We created a training dataset
on a few areas of interest aggregating databases, semi-automatic
classification, and manual annotation to get a complete ground truth in each
class. A comparative study of different encoder-decoder architectures (U-Net,
U-Net with Resnet encoders, Deeplab v3+) is presented with different loss
functions. The final product is a highly valuable land cover map computed from
model predictions stitched together, binarized, and refined before
vectorization.
- Abstract（参考訳）: 本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
本研究の目的は, アスファルト, 裸土, 建物, 草地, 鉱物(透水性人工地域), 20cmの空中画像から得られた森林と水, およびデジタルハイトモデルを用いて, 大規模地域(フランス県)のセグメンテーションマップを作成することである。
データベースの集約、セミオートマチックな分類、手動のアノテーションなど、いくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な真実を把握しました。
異なるエンコーダ・デコーダアーキテクチャ(U-Net, U-Net with Resnet encoder, Deeplab v3+)の比較研究は、異なる損失関数を持つ。
最後の積は、ベクトル化の前に縫合されたモデル予測から計算された非常に貴重な土地被覆マップである。
関連論文リスト
- Learning with less: label-efficient land cover classification at very high spatial resolution using self-supervised deep learning [0.0]
自己教師型ディープラーニングは、手動で注釈付けされた大量のデータの必要性を減らすための効果的な戦略である。
これらの結果から,自己指導型学習は,手動で注釈付けした大量のデータの必要性を減らすための効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2025-11-04T21:17:40Z) - IRSAMap:Towards Large-Scale, High-Resolution Land Cover Map Vectorization [37.95801085939]
IRSAMapは、大規模、高解像度、多機能なランドカバーベクトルマッピングのための最初のグローバルリモートセンシングデータセットである。
IRSAMapには4つの大きな利点がある: 1) 一般的な10のオブジェクトの1.8万以上のインスタンスを持つ包括的なベクトルアノテーションシステム、2) 効率と一貫性を改善するために手動とAIベースの手法を組み合わせたインテリジェントなアノテーションワークフロー、3) 合計1000kmを超える6大陸79リージョンにわたるグローバルカバレッジ、4) ピクセルレベルの分類、ビルディングアウトライン抽出、道路中心線抽出、パノラマセグメンテーションといったタスクに対するマルチタスク適応性。
論文 参考訳（メタデータ） (2025-08-22T10:14:18Z) - FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
7つのセマンティッククラスのための高品質なラベル付き10万個の高密度点雲からなる超大規模空中Lidarデータセットを提案する。
データセットのデータ収集,アノテーション,キュレーションプロセスについて述べる。
アート3Dポイントクラウド分類モデルを用いて,ベースラインのセマンティックセマンティックセマンティクス結果を提供する。
論文 参考訳（メタデータ） (2024-05-07T19:37:22Z) - Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework [9.803861474101957]
我々は,高解像度土地被覆マッピングの新しいクラスを更新するために,セグメンテーションに基づくセグメンテーションベースのフレームワークSegLandを提案する。
このフレームワークはOpenEarthMap Land Cover Mapping Few-Shot Challengeのリーダーボードで優勝した。
論文 参考訳（メタデータ） (2024-04-19T09:01:58Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳（メタデータ） (2022-01-12T14:48:11Z) - LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic
Segmentation [7.629717457706323]
LoveDAデータセットには3つの都市から166個の注釈付きオブジェクトを持つ5987個のHSRイメージが含まれている。
LoveDAデータセットは、土地被覆セマンティックセグメンテーションと教師なしドメイン適応(UDA)タスクの両方に適している。
論文 参考訳（メタデータ） (2021-10-17T06:12:48Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。
複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。
実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文 参考訳（メタデータ） (2021-04-14T17:16:35Z) - Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文 参考訳（メタデータ） (2020-10-15T15:36:58Z) - Land Cover Semantic Segmentation Using ResUNet [0.0]
本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2020-10-13T10:56:09Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳（メタデータ） (2020-09-07T14:47:07Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。