論文の概要: Landslide Segmentation with U-Net: Evaluating Different Sampling Methods
and Patch Sizes
- arxiv url: http://arxiv.org/abs/2007.06672v1
- Date: Mon, 13 Jul 2020 20:28:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:33:21.360476
- Title: Landslide Segmentation with U-Net: Evaluating Different Sampling Methods
and Patch Sizes
- Title（参考訳）: U-Netによる地すべりセグメンテーション:異なるサンプリング法とパッチサイズの評価
- Authors: Lucas P. Soares, Helen C. Dias, Carlos H. Grohmann
- Abstract要約: この研究は、ブラジルのノヴァ・フリブルゴ市の地すべりを自動的に分割するために、U-netという名前の完全な畳み込み深層学習モデルを使用した。
目的は、パッチサイズ、サンプリング方法、データセットがモデル全体の精度に与える影響を評価することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Landslide inventory maps are crucial to validate predictive landslide models;
however, since most mapping methods rely on visual interpretation or expert
knowledge, detailed inventory maps are still lacking. This study used a fully
convolutional deep learning model named U-net to automatically segment
landslides in the city of Nova Friburgo, located in the mountainous range of
Rio de Janeiro, southeastern Brazil. The objective was to evaluate the impact
of patch sizes, sampling methods, and datasets on the overall accuracy of the
models. The training data used the optical information from RapidEye satellite,
and a digital elevation model (DEM) derived from the L-band sensor of the ALOS
satellite. The data was sampled using random and regular grid methods and
patched in three sizes (32x32, 64x64, and 128x128 pixels). The models were
evaluated on two areas with precision, recall, f1-score, and mean intersect
over union (mIoU) metrics. The results show that the models trained with 32x32
tiles tend to have higher recall values due to higher true positive rates;
however, they misclassify more background areas as landslides (false
positives). Models trained with 128x128 tiles usually achieve higher precision
values because they make less false positive errors. In both test areas, DEM
and augmentation increased the accuracy of the models. Random sampling helped
in model generalization. Models trained with 128x128 random tiles from the data
that used the RapidEye image, DEM information, and augmentation achieved the
highest f1-score, 0.55 in test area one, and 0.58 in test area two. The results
achieved in this study are comparable to other fully convolutional models found
in the literature, increasing the knowledge in the area.
- Abstract（参考訳）: 地すべりインベントリマップは予測地すべりモデルを検証するために重要であるが、ほとんどのマッピング手法は視覚的解釈や専門家の知識に依存しているため、詳細なインベントリマップはまだ不足している。
この研究は、ブラジル南東部リオデジャネイロの山岳地帯にあるノバス・フリブルゴ市の地すべりを自動的に分割するために、U-netという完全な畳み込み深層学習モデルを用いた。
目的は、パッチサイズ、サンプリング方法、データセットがモデル全体の精度に与える影響を評価することである。
トレーニングデータは、RapidEye衛星からの光学情報と、ALOS衛星のLバンドセンサーから得られたデジタル高度モデル(DEM)を使用した。
データはランダムグリッド法と正規グリッド法を用いてサンプリングされ、3つのサイズ(32x32, 64x64, 128x128ピクセル)でパッチされた。
モデルの精度はre recall, f1-score, mean intersect over union (miou) の2つの領域で評価した。
その結果,32×32タイルでトレーニングしたモデルでは,真の正の値が高いため,リコール値が高い傾向が見られたが,背景領域を地すべり(偽陽性)と誤分類した。
128x128タイルで訓練されたモデルは通常、偽陽性エラーが少ないため、より高い精度の値が得られる。
いずれのテスト領域においても、DEMと拡張によりモデルの精度が向上した。
ランダムサンプリングはモデル一般化に役立った。
ラピッドアイ画像、DEM情報、拡張データから128x128のランダムタイルをトレーニングしたモデルは、テストエリア1で0.55、テストエリア2で0.58、最高f1スコアを達成した。
この研究で得られた結果は、文献に見られる他の完全畳み込みモデルに匹敵し、この分野の知識を増加させた。
関連論文リスト
- A Comparative Analysis of CNN-based Deep Learning Models for Landslide Detection [0.0]
インド北部とネパールの地すべりは大きな破壊をもたらし、インフラを損傷し、地域社会に脅威を与えている。
近年のインド北部とネパールの地すべりは、大きな破壊を招き、インフラを損傷し、地域社会に脅威を与えている。
ディープラーニング技術の一種であるCNNは、画像処理において顕著な成功を収めている。
論文 参考訳（メタデータ） (2024-08-03T07:20:10Z) - More precise edge detections [0.0]
エッジ検出 (ED) はコンピュータビジョンの基本的なタスクである。
現在のモデルは相変わらず不満足な精度に悩まされている。
より正確な予測のためのモデルアーキテクチャはまだ調査が必要である。
論文 参考訳（メタデータ） (2024-07-29T13:24:55Z) - Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。
我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。
正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
論文 参考訳（メタデータ） (2024-02-14T13:30:02Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Pre-processing training data improves accuracy and generalisability of
convolutional neural network based landscape semantic segmentation [2.8747398859585376]
オーストラリア,クイーンズランド州ウェット・トロピクスとアザートン・テーブルランズ上空の航空写真における土地利用土地被覆(LULC)の特徴のセマンティックセグメンテーションとCNN訓練のための様々なデータ準備方法を試行した。
これは、さまざまなトレーニングパッチ選択サンプリング戦略、パッチとバッチサイズ、データ拡張とスケーリングの試行とランキングによって実施された。
我々は、2018年のトレーニング画像上で5つのモデルを訓練し、2015年の試験画像に適用し、出力LULC分類により平均ユーザ精度0.84、生産精度0.87を達成した。
論文 参考訳（メタデータ） (2023-04-28T04:38:45Z) - Contrastive Neighborhood Alignment [81.65103777329874]
本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。
対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。
CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
論文 参考訳（メタデータ） (2022-01-06T04:58:31Z) - A contextual analysis of multi-layer perceptron models in classifying
hand-written digits and letters: limited resources [0.0]
我々は,前処理や特徴抽出を行わずに,終端から終端までのバニラニューラルネットワーク(MLP)アプローチを純粋に検証した。
基礎的なデータマイニング操作は,計算時間の観点からモデルの性能を著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-07-05T04:30:37Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z)
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。