論文の概要: Mining and Tailings Dam Detection In Satellite Imagery Using Deep
Learning
- arxiv url: http://arxiv.org/abs/2007.01076v1
- Date: Thu, 2 Jul 2020 13:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 13:59:38.073016
- Title: Mining and Tailings Dam Detection In Satellite Imagery Using Deep
Learning
- Title（参考訳）: 深層学習を用いた衛星画像における鉱業とダム検出
- Authors: Remis Balaniuk and Olga Isupova and Steven Reece
- Abstract要約: この研究は、クラウドコンピューティング、フリーのオープンソースソフトウェア、そして実際の大規模問題を分析するためのディープラーニングメソッドの組み合わせを探求する。
未登録の鉱石鉱山を特定し、ブラジル領の広い地域でダムを尾行することを目的としている。
このアプローチの有効性は、公式な採掘権を持たない263の鉱山の発見によって実証される。
- 参考スコア（独自算出の注目度）: 1.8047694351309205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work explores the combination of free cloud computing, free open-source
software, and deep learning methods to analyse a real, large-scale problem: the
automatic country-wide identification and classification of surface mines and
mining tailings dams in Brazil. Locations of officially registered mines and
dams were obtained from the Brazilian government open data resource.
Multispectral Sentinel-2 satellite imagery, obtained and processed at the
Google Earth Engine platform, was used to train and test deep neural networks
using the TensorFlow 2 API and Google Colab platform. Fully Convolutional
Neural Networks were used in an innovative way, to search for unregistered ore
mines and tailing dams in large areas of the Brazilian territory. The efficacy
of the approach is demonstrated by the discovery of 263 mines that do not have
an official mining concession. This exploratory work highlights the potential
of a set of new technologies, freely available, for the construction of low
cost data science tools that have high social impact. At the same time, it
discusses and seeks to suggest practical solutions for the complex and serious
problem of illegal mining and the proliferation of tailings dams, which pose
high risks to the population and the environment, especially in developing
countries. Code is made publicly available at:
https://github.com/remis/mining-discovery-with-deep-learning.
- Abstract（参考訳）: この研究は、自由なクラウドコンピューティング、フリーのオープンソースソフトウェア、そしてブラジルの採掘用尾根ダムの自動識別と分類という、実際の大規模問題を分析するためのディープラーニング手法の組み合わせを探求する。
公式に登録された鉱山やダムの場所はブラジル政府のオープンデータ資源から取得された。
Google Earth Engineプラットフォームで取得、処理されたMultispectral Sentinel-2衛星画像は、TensorFlow 2 APIとGoogle Colabプラットフォームを使用して、ディープニューラルネットワークのトレーニングとテストに使用された。
完全な畳み込みニューラルネットワークは、未登録の鉱石鉱山やブラジル領の広い地域でダムを尾行するために、革新的な方法で使用された。
このアプローチの有効性は、公式な採掘権を持たない263の鉱山の発見によって実証される。
この探索的な研究は、社会的影響の高い低コストのデータサイエンスツールを構築するために、無料で利用できる一連の新しい技術の可能性を強調している。
同時に、特に発展途上国において、人口と環境に高いリスクをもたらす違法な鉱業の複雑で深刻な問題と、尾根ダムの増殖に対する現実的な解決策を議論し、提案する。
コードは、https://github.com/remis/mining-discovery-with-deep-learning.comで公開されている。
関連論文リスト
- Neural Exploitation and Exploration of Contextual Bandits [51.25537742455235]
本研究では,ニューラルネットワークを用いたコンテキスト型マルチアームバンディットの活用と探索について検討する。
EE-Netは、ニューラルベースによる新たなエクスプロイトと探索戦略である。
EE-Netは、実世界のデータセット上での線形およびニューラルネットワークの帯域ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-05T18:34:49Z) - 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) - Automation and AI Technology in Surface Mining With a Brief Introduction to Open-Pit Operations in the Pilbara [4.198865250277024]
調査記事は、鉱業で遭遇した工学的問題、技術革新、ロボット開発、自動化の取り組みについて要約している。
目標は、テクノロジの展望を描き、エンジニアリングのオーディエンスに関連する課題を強調して、AIに対する認識を高め、マイニングにおける自動化のトレンドを高めることだ。
論文 参考訳（メタデータ） (2023-01-24T00:57:37Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and
Response with AI [55.41644538483948]
小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。
我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。
本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
論文 参考訳（メタデータ） (2022-01-25T14:51:19Z) - Mapping illegal waste dumping sites with neural-network classification
of satellite imagery [0.0]
近年では、不法廃棄物投棄施設の社会的・環境的影響が深刻化しており、グローバル・サウスの都市が直面している最も深刻な問題の一つとなっている。
このケーススタディは、Dymaxion LabsとFundaci'on Bunge y Bornが共同でこの技術を活用して、この地域の不法廃棄物処理現場の潜在的な場所を網羅した地図を作成するための成果である。
論文 参考訳（メタデータ） (2021-10-16T16:05:42Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳（メタデータ） (2020-10-22T17:49:25Z) - Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions [0.0]
本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
論文 参考訳（メタデータ） (2020-09-01T02:11:14Z) - Deep Learning Framework for Detecting Ground Deformation in the Built
Environment using Satellite InSAR data [7.503635457124339]
我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。
我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。
本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
論文 参考訳（メタデータ） (2020-05-07T03:14:00Z) - BrazilDAM: A Benchmark dataset for Tailings Dam Detection [2.5885796059994193]
ブラジル国立鉱業庁(ANM)が集計したすべての尾翼ダムを網羅したSentinel-2とLandsat-8の衛星画像に基づく新しいパブリックデータセットであるブラジルDAMについて紹介する。
このデータセットは、2016年から2019年の間に記録された769のダムのジオレファレンス画像を用いて構築された。
ブラジルDAMの予測可能性を評価するために,最先端の深層畳み込みニューラルネットワーク(CNN)を用いた分類エッセイを行った。
実験では,ダム二分分類作業において,平均分類精度94.11%を達成した。
論文 参考訳（メタデータ） (2020-03-17T21:20:13Z)
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。