Fugu-MT 論文翻訳(概要): Large-scale detection and categorization of oil spills from SAR images with deep learning

論文の概要: Large-scale detection and categorization of oil spills from SAR images with deep learning

arxiv url: http://arxiv.org/abs/2006.13575v1
Date: Wed, 24 Jun 2020 09:32:31 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 09:42:04.857092
Title: Large-scale detection and categorization of oil spills from SAR images with deep learning
Title（参考訳）: 深層学習によるSAR画像からの油流出の大規模検出と分類
Authors: Filippo Maria Bianchi, Martine M. Espeseth, Nj{\aa}l Borch
Abstract要約: 本研究では,合成開口レーダ(SAR)画像中の油流出を大規模に検出し,分類するためのディープラーニングフレームワークを提案する。また,SARにおける石油流出検知の文脈において,新しい分類タスクを導入する。
参考スコア（独自算出の注目度）: 4.716034416800441
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a deep learning framework to detect and categorize oil spills in synthetic aperture radar (SAR) images at a large scale. By means of a carefully designed neural network model for image segmentation trained on an extensive dataset, we are able to obtain state-of-the-art performance in oil spill detection, achieving results that are comparable to results produced by human operators. We also introduce a classification task, which is novel in the context of oil spill detection in SAR. Specifically, after being detected, each oil spill is also classified according to different categories pertaining to its shape and texture characteristics. The classification results provide valuable insights for improving the design of oil spill services by world-leading providers. As the last contribution, we present our operational pipeline and a visualization tool for large-scale data, which allows to detect and analyze the historical presence of oil spills worldwide.
Abstract（参考訳）: 本研究では,合成開口レーダ(SAR)画像中の油流出を大規模に検出・分類するためのディープラーニングフレームワークを提案する。広範囲なデータセットに基づいてトレーニングされた画像セグメント化のためのニューラルネットワークモデルにより,石油流出検出の最先端性能を得ることができ,人間の操作者による結果に匹敵する結果が得られる。また,SARにおける石油流出検知の文脈において,新しい分類タスクを導入する。具体的には、検出後、各油流出は、その形状と食感特性に関する異なるカテゴリに分類する。この分類結果は, 石油流出サービスの設計改善に有用な洞察を与えるものである。最後のコントリビューションとして、当社の運用パイプラインと、世界中の石油流出の歴史的存在を検出し、分析する大規模データ可視化ツールを紹介します。

関連論文リスト

Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文参考訳（メタデータ） (2023-12-16T14:27:06Z)
SRCNet: Seminal Representation Collaborative Network for Marine Oil Spill Segmentation [18.96012241344086]
本研究では,SRCNet という油流出画像分割ネットワークを提案する。 SAR画像を記述するセミナル表現の協調により、ディープニューラルネットワークのペアで構築される。提案するSRCNetは,効率的な石油流出セグメンテーションを経済的かつ効率的に運用する。
論文参考訳（メタデータ） (2023-04-17T13:23:03Z)
Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。画像異常検出のオープニング課題をいくつか取り上げる。
論文参考訳（メタデータ） (2023-01-27T03:18:09Z)
DGNet: Distribution Guided Efficient Learning for Oil Spill Image Segmentation [18.43215454505496]
SAR(Synthetic Aperture Radar)画像における油流出セグメンテーションの実施は,海洋環境保護に不可欠である。我々は,SAR画像にバックスキャッタ値の内在分布を組み込むことで,石油流出セグメンテーションを行うDGNetという効果的なセグメンテーションフレームワークを開発した。提案したDGNetのセグメンテーション性能を異なるメトリクスで評価し,その有効セグメンテーションを実験的に評価した。
論文参考訳（メタデータ） (2022-12-19T18:23:50Z)
Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection with an Isolation Forest-Guided Unsupervised Detector [13.739881592455044]
近年、海洋石油流出事故が環境、天然資源、沿岸住民の生活に深刻な影響を与えているため、石油流出の検出が注目されている。既存のアプローチのほとんどは、ハイパースペクトル画像(HSI)からのオイル流出を検出するための教師付きおよび半教師付きフレームワークに基づいている。本研究では,HSIの孤立林を基盤とした非監督型油流出検出手法の開発を初めて試みる。
論文参考訳（メタデータ） (2022-09-28T02:26:42Z)
Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文参考訳（メタデータ） (2022-06-24T07:21:53Z)
Deep learning based automatic detection of offshore oil slicks using SAR data and contextual information [0.0]
本稿では,両種類のスリックを有する広範囲なデータベース上で,オフショアオイルスリックの自動化について述べる。これは、Sentinel-1 SARデータ上の特殊な写真解釈器のスリックアノテーションを、世界中の3つの探査および監視エリアで4年間にわたって構築している。本研究の主な成果は,深層学習によるスリック検出の有効性である。
論文参考訳（メタデータ） (2022-04-13T13:30:16Z)
Oil Spill SAR Image Segmentation via Probability Distribution Modelling [18.72207562693259]
本研究の目的は,SAR画像における海洋油流出の同定に有効なセグメンテーション手法を開発することである。我々は,オイル流出SAR画像の確率分布表現を達成するために,SAR撮像機構を再検討する。次に, 油流出特性を組み込んだセグメンテーションエネルギー関数を定式化するために, 分布表現を利用する。
論文参考訳（メタデータ） (2021-12-17T17:22:29Z)
Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文参考訳（メタデータ） (2021-05-25T02:17:56Z)
Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文参考訳（メタデータ） (2020-11-26T06:14:10Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)

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。