論文の概要: Convolutional Neural Networks for Global Human Settlements Mapping from Sentinel-2 Satellite Imagery

• arxiv url: http://arxiv.org/abs/2006.03267v2
• Date: Thu, 29 Oct 2020 09:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 03:45:07.781278
• Title: Convolutional Neural Networks for Global Human Settlements Mapping from Sentinel-2 Satellite Imagery
• Title（参考訳）: センチネル2衛星画像からのグローバルな人的定住地マッピングのための畳み込みニューラルネットワーク
• Authors: Christina Corbane, Vasileios Syrris, Filip Sabo, Panagiotis Politis, Michele Melchiorri, Martino Pesaresi, Pierre Soille, Thomas Kemper
• Abstract要約: 本稿では,Sentinel-2画像のグローバル合成から空間分解能10mで構築された領域の完全自動抽出のための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。 グローバルなSentinel-2イメージコンポジットへのモデルの展開は、2018年の参照領域に関する最も詳細かつ完全なマップレポートを提供する。
• 参考スコア（独自算出の注目度）: 1.3192560874022086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatially consistent and up-to-date maps of human settlements are crucial for addressing policies related to urbanization and sustainability, especially in the era of an increasingly urbanized world.The availability of open and free Sentinel-2 data of the Copernicus Earth Observation program offers a new opportunity for wall-to-wall mapping of human settlements at a global scale.This paper presents a deep-learning-based framework for a fully automated extraction of built-up areas at a spatial resolution of 10 m from a global composite of Sentinel-2 imagery.A multi-neuro modeling methodology building on a simple Convolution Neural Networks architecture for pixel-wise image classification of built-up areas is developed.The core features of the proposed model are the image patch of size 5 x 5 pixels adequate for describing built-up areas from Sentinel-2 imagery and the lightweight topology with a total number of 1,448,578 trainable parameters and 4 2D convolutional layers and 2 flattened layers.The deployment of the model on the global Sentinel-2 image composite provides the most detailed and complete map reporting about built-up areas for reference year 2018. The validation of the results with an independent reference data-set of building footprints covering 277 sites across the world establishes the reliability of the built-up layer produced by the proposed framework and the model robustness.
• Abstract（参考訳）: Spatially consistent and up-to-date maps of human settlements are crucial for addressing policies related to urbanization and sustainability, especially in the era of an increasingly urbanized world.The availability of open and free Sentinel-2 data of the Copernicus Earth Observation program offers a new opportunity for wall-to-wall mapping of human settlements at a global scale.This paper presents a deep-learning-based framework for a fully automated extraction of built-up areas at a spatial resolution of 10 m from a global composite of Sentinel-2 imagery.A multi-neuro modeling methodology building on a simple Convolution Neural Networks architecture for pixel-wise image classification of built-up areas is developed.The core features of the proposed model are the image patch of size 5 x 5 pixels adequate for describing built-up areas from Sentinel-2 imagery and the lightweight topology with a total number of 1,448,578 trainable parameters and 4 2D convolutional layers and 2 flattened layers.The deployment of the model on the global Sentinel-2 image composite provides the most detailed and complete map reporting about built-up areas for reference year 2018. 世界中の277のサイトをカバーする建物フットプリントの独立した参照データセットによる結果の検証は,提案フレームワークが生成するビルトアップ層の信頼性とモデルロバスト性を確立する。

関連論文リスト

• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Fine-grained building roof instance segmentation based on domain adapted pretraining and composite dual-backbone [13.09940764764909]
  本稿では,高解像度光衛星画像を用いた個々の建物の意味解釈を実現するための枠組みを提案する。 具体的には、レバレッジされたドメイン適応事前学習戦略と複合二重バックボーンは、非ネイティブな特徴学習を大いに促進する。 その結果,本手法は2023年のIEEE GRSS Data Fusion Contestの第一位に位置づけられた。
  論文  参考訳（メタデータ） (2023-08-10T05:54:57Z)
• Efficient and Explicit Modelling of Image Hierarchies for Image Restoration [120.35246456398738]
  本研究では,画像復元のためのグローバル,地域,地域領域における画像階層を効率的に,かつ明示的にモデル化する機構を提案する。 そこで本研究では, 空間と時間的複雑性のバランスが良く, 固定されたストライプ自己注意を提案する。 そこで我々はGlobal, Regional, Local Rangeにおける画像階層を明示的にモデル化するGRLと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-01T18:59:29Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery [42.70832378336697]
  高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。 大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。 本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
  論文  参考訳（メタデータ） (2022-09-01T21:00:23Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• CM-GAN: Image Inpainting with Cascaded Modulation GAN and Object-Aware Training [112.96224800952724]
  複雑な画像に大きな穴をあける際の可視像構造を生成するためのカスケード変調GAN(CM-GAN)を提案する。 各デコーダブロックにおいて、まず大域変調を適用し、粗い意味認識合成構造を行い、次に大域変調の出力に空間変調を適用し、空間適応的に特徴写像を更に調整する。 さらに,ネットワークがホール内の新たな物体を幻覚させるのを防ぐため,実世界のシナリオにおける物体除去タスクのニーズを満たすために,オブジェクト認識型トレーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-03-22T16:13:27Z)
• Leveraging EfficientNet and Contrastive Learning for Accurate Global-scale Location Estimation [15.633461635276337]
  地球規模の画像ジオロケーションのための混合分類検索方式を提案する。 このアプローチは、4つの公開データセットで非常に競争力のあるパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-05-17T07:18:43Z)
• Towards DeepSentinel: An extensible corpus of labelled Sentinel-1 and -2 imagery and a general-purpose sensor-fusion semantic embedding model [0.0]
  機械学習は、企業や国の報告に偏らず、大規模に洞察を提供するために使用できる。 deepsentinelは、sentinel-1とsentiel-2画像の汎用埋め込みを生成するためのデータパイプラインおよび実験フレームワークである。 土地被覆分類問題に対して,一般的な自己監督法とエンコーダアーキテクチャを適用した一連の実験を行う。
  論文  参考訳（メタデータ） (2021-02-11T20:33:47Z)
• Generating Synthetic Multispectral Satellite Imagery from Sentinel-2 [3.4797121357690153]
  本研究では,Sentinel-2データに基づくマルチ解像度マルチスペクトル画像を生成する生成モデルを提案する。 得られた合成画像は、人間によって実際のものと区別できない。
  論文  参考訳（メタデータ） (2020-12-05T19:41:33Z)
• Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
  本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。 この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。 生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
  論文  参考訳（メタデータ） (2020-03-02T17:49:32Z)

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。