Fugu-MT 論文翻訳(概要): Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment

論文の概要: Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment

arxiv url: http://arxiv.org/abs/2006.05575v1
Date: Wed, 10 Jun 2020 00:19:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 06:07:55.820020
Title: Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment
Title（参考訳）: 災害影響評価のためのオープンデータを用いた深層学習による空中画像分割
Authors: Ananya Gupta, Simon Watson, Hujun Yin
Abstract要約: セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
参考スコア（独自算出の注目度）: 11.355723874379317
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Satellite images are an extremely valuable resource in the aftermath of natural disasters such as hurricanes and tsunamis where they can be used for risk assessment and disaster management. In order to provide timely and actionable information for disaster response, in this paper a framework utilising segmentation neural networks is proposed to identify impacted areas and accessible roads in post-disaster scenarios. The effectiveness of pretraining with ImageNet on the task of aerial image segmentation has been analysed and performances of popular segmentation models compared. Experimental results show that pretraining on ImageNet usually improves the segmentation performance for a number of models. Open data available from OpenStreetMap (OSM) is used for training, forgoing the need for time-consuming manual annotation. The method also makes use of graph theory to update road network data available from OSM and to detect the changes caused by a natural disaster. Extensive experiments on data from the 2018 tsunami that struck Palu, Indonesia show the effectiveness of the proposed framework. ENetSeparable, with 30% fewer parameters compared to ENet, achieved comparable segmentation results to that of the state-of-the-art networks.
Abstract（参考訳）: 衛星画像は、ハリケーンや津波などの自然災害の余波の中で非常に貴重な資源であり、リスク評価や災害管理に利用することができる。本稿では,災害対応のためのタイムリーかつ実用的な情報を提供するために,災害後のシナリオにおいて,影響地域やアクセス可能な道路を特定するためにセグメンテーションニューラルネットワークを利用するフレームワークを提案する。航空画像セグメンテーションの課題に対するImageNetによる事前トレーニングの有効性を解析し,一般的なセグメンテーションモデルの性能を比較した。実験の結果、imagenetでの事前トレーニングは、多くのモデルのセグメンテーション性能を改善することが示されている。 openstreetmap (osm) から入手可能なオープンデータはトレーニングに使用され、時間を要する手動アノテーションの必要性を回避している。また,OSMから利用可能な道路ネットワークデータを更新し,自然災害による変化を検出するためにグラフ理論を利用する。インドネシア・パルーで発生した2018年津波のデータに関する広範囲な実験により,提案手法の有効性が示された。 ENetSeparableは、ENetに比べて30%少ないパラメータで、最先端のネットワークと同等のセグメンテーション結果を得た。

関連論文リスト

DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文参考訳（メタデータ） (2023-11-02T12:34:23Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-07-02T10:39:29Z)
Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文参考訳（メタデータ） (2022-09-02T08:06:58Z)
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)
RescueNet: A High Resolution UAV Semantic Segmentation Benchmark Dataset for Natural Disaster Damage Assessment [0.0]
RescueNetはハリケーン・マイケルの後に収集された災害後の画像を含んでいる。 RescueNetは、建物、道路、プール、木など、すべてのクラスに対してピクセルレベルのアノテーションを提供する。本研究では,RescueNet上での最先端セグメンテーションモデルを実装することにより,データセットの有用性を評価する。
論文参考訳（メタデータ） (2022-02-24T20:56:29Z)
Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。今後はOOD体制に重点を置くべきだと我々は主張する。
論文参考訳（メタデータ） (2020-11-20T10:30:43Z)
Improving Emergency Response during Hurricane Season using Computer Vision [0.06882042556551608]
我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
論文参考訳（メタデータ） (2020-08-17T15:42:02Z)
Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for Building Extraction from Aerial Images [3.786567767772753]
本稿では,航空画像から抽出するドメイン適応トランスファー攻撃方式に基づくセグメンテーションネットワークを提案する。提案システムは,ドメイン転送と敵攻撃の概念を組み合わせたシステムである。 3つの異なるデータセットに対して、データセット間の実験とアブレーション実験を行った。
論文参考訳（メタデータ） (2020-04-11T06:17:13Z)
Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。