論文の概要: Breaking the Limits of Remote Sensing by Simulation and Deep Learning
for Flood and Debris Flow Mapping
- arxiv url: http://arxiv.org/abs/2006.05180v1
- Date: Tue, 9 Jun 2020 10:59:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 15:30:40.443125
- Title: Breaking the Limits of Remote Sensing by Simulation and Deep Learning
for Flood and Debris Flow Mapping
- Title(参考訳): 洪水・土砂流マッピングのためのシミュレーションと深層学習によるリモートセンシングの限界を破る
- Authors: Naoto Yokoya, Kazuki Yamanoi, Wei He, Gerald Baier, Bruno Adriano,
Hiroyuki Miura, Satoru Oishi
- Abstract要約: リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。
水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。
このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
- 参考スコア(独自算出の注目度): 13.167695669500391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a framework that estimates inundation depth (maximum water level)
and debris-flow-induced topographic deformation from remote sensing imagery by
integrating deep learning and numerical simulation. A water and debris flow
simulator generates training data for various artificial disaster scenarios. We
show that regression models based on Attention U-Net and LinkNet architectures
trained on such synthetic data can predict the maximum water level and
topographic deformation from a remote sensing-derived change detection map and
a digital elevation model. The proposed framework has an inpainting capability,
thus mitigating the false negatives that are inevitable in remote sensing image
analysis. Our framework breaks the limits of remote sensing and enables rapid
estimation of inundation depth and topographic deformation, essential
information for emergency response, including rescue and relief activities. We
conduct experiments with both synthetic and real data for two disaster events
that caused simultaneous flooding and debris flows and demonstrate the
effectiveness of our approach quantitatively and qualitatively.
- Abstract(参考訳): 本研究では,深層学習と数値シミュレーションを統合したリモートセンシング画像から浸水深さ(最大水位)と土石流による地形変形を推定する枠組みを提案する。
水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。
このような合成データに基づいてトレーニングされた注意u-netとlinknetアーキテクチャに基づく回帰モデルは、リモートセンシングによる変化検出マップとデジタル標高モデルから最大水位と地形変形を予測することができる。
提案手法は, リモートセンシング画像解析において避けられない偽陰性を緩和するため, 塗装能力を有する。
本フレームワークは, リモートセンシングの限界を破り, 浸水深度と地形変形の迅速推定を可能にし, 救助活動や救助活動を含む緊急対応に必要な情報を提供する。
洪水と土砂流を同時に発生させる2つの災害事象について, 合成データと実データの両方を用いて実験を行い, 本手法の有効性を定量的に定性的に実証した。
関連論文リスト
- Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。
また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。
開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
論文 参考訳(メタデータ) (2024-06-06T19:54:34Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳(メタデータ) (2022-09-22T13:12:54Z) - SimuShips -- A High Resolution Simulation Dataset for Ship Detection
with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム
SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文 参考訳(メタデータ) (2022-09-22T07:33:31Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳(メタデータ) (2022-04-23T01:30:47Z) - Interpretability in Convolutional Neural Networks for Building Damage
Classification in Satellite Imagery [0.0]
我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。
複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。
我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
論文 参考訳(メタデータ) (2022-01-24T16:55:56Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Physics-Aware Downsampling with Deep Learning for Scalable Flood
Modeling [26.744689956865628]
我々は深層ニューラルネットワークをトレーニングし、地形図の物理インフォームドダウンサンプリングを行う。
本手法により,正確な解を維持しつつ,計算コストを大幅に削減できることを示す。
論文 参考訳(メタデータ) (2021-06-14T08:05:14Z)
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。