論文の概要: Monitoring Spatial Sustainable Development: semi-automated analysis of Satellite and Aerial Images for Energy Transition and Sustainability Indicators

• arxiv url: http://arxiv.org/abs/2009.05738v1
• Date: Sat, 12 Sep 2020 07:09:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 07:49:26.394458
• Title: Monitoring Spatial Sustainable Development: semi-automated analysis of Satellite and Aerial Images for Energy Transition and Sustainability Indicators
• Title（参考訳）: 空間持続可能な開発をモニタリングする:エネルギー遷移と持続可能性指標のための衛星・航空画像の半自動解析
• Authors: Tim De Jong (Statistics Netherlands), Stefano Bromuri (Open Universiteit Nederland), Xi Chang (Open Universiteit Nederland), Marc Debusschere (Statbel), Natalie Rosenski (Destatis), Clara Schartner (Destatis), Katharina Strauch (IT.NRW), Marion Boehmer (IT.NRW), Lyana Curier (Statistics Netherlands)
• Abstract要約: DeepSolarisプロジェクトは「加盟国の地質統計と地理空間情報」というESSの行動の下で実行された。 プロジェクト期間中、リモートセンシングデータ中のソーラーパネルを検出するために、いくつかのディープラーニングアルゴリズムが評価された。 このプロジェクトの目的は、欧州連合の様々な加盟国で機能するディープラーニングモデルを開発できるかどうか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: This report presents the results of the DeepSolaris project that was carried out under the ESS action 'Merging Geostatistics and Geospatial Information in Member States'. During the project several deep learning algorithms were evaluated to detect solar panels in remote sensing data. The aim of the project was to evaluate whether deep learning models could be developed, that worked across different member states in the European Union. Two remote sensing data sources were considered: aerial images on the one hand, and satellite images on the other. Two flavours of deep learning models were evaluated: classification models and object detection models. For the evaluation of the deep learning models we used a cross-site evaluation approach: the deep learning models where trained in one geographical area and then evaluated on a different geographical area, previously unseen by the algorithm. The cross-site evaluation was furthermore carried out twice: deep learning models trained on he Netherlands were evaluated on Germany and vice versa. While the deep learning models were able to detect solar panels successfully, false detection remained a problem. Moreover, model performance decreased dramatically when evaluated in a cross-border fashion. Hence, training a model that performs reliably across different countries in the European Union is a challenging task. That being said, the models detected quite a share of solar panels not present in current solar panel registers and therefore can already be used as-is to help reduced manual labor in checking these registers.
• Abstract（参考訳）: 本報告では, ESS の「加盟国における地質統計と地理空間情報」に基づくDeepSolaris プロジェクトの結果について述べる。 プロジェクトでは、リモートセンシングデータからソーラーパネルを検出するために、いくつかのディープラーニングアルゴリズムが評価された。 このプロジェクトの目的は、欧州連合の様々な加盟国で機能するディープラーニングモデルを開発できるかどうかを評価することである。 2つのリモートセンシングデータソースが検討され、一方は航空画像、もう一方は衛星画像が検討された。 分類モデルと物体検出モデルという2種類のディープラーニングモデルの評価を行った。 深層学習モデルの評価には,1つの地理的領域でトレーニングを行い,それまでアルゴリズムでは認識できなかった異なる地理的領域で評価を行う深層学習モデルという,クロスサイト評価手法を用いた。 さらに、オランダで訓練されたディープラーニングモデルがドイツで評価され、その逆も行われた。 ディープラーニングモデルはソーラーパネルをうまく検出できたが、誤検出は問題だった。 さらに, クロスボーダ方式で評価すると, モデル性能は劇的に低下した。 したがって、欧州連合内の様々な国で確実に機能するモデルを訓練することは難しい課題である。 とはいえ、現在のソーラーパネルレジスタには存在しない多くのソーラーパネルが検出されているため、手作業でこれらのレジスタをチェックするのに役立てることができる。

関連論文リスト

• Machine learning approaches for automatic defect detection in photovoltaic systems [1.121744174061766]
  太陽電池(PV)モジュールは、製造、設置、運用中に損傷を受けやすい。 無人航空機による運用中のPVモジュールの継続的な監視が不可欠である。 コンピュータビジョンは、大規模なPVプラントの欠陥を監視するための、自動的で非破壊的で費用対効果の高いツールを提供する。
  論文  参考訳（メタデータ） (2024-09-24T13:11:05Z)
• Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images [0.08749675983608168]
  プロットレベル測定を用いた事前学習モデルの対象領域へのモデル移行(ドメイン適応)。 森林構造と組成の異なる2つの異なるタイガ遺跡へのアプローチを実証した。 転送学習を活用することで、SeUNetの予測は2.70mと0.882のR$2$の根平均二乗誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2023-08-09T15:05:41Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• Learning Sentinel-2 reflectance dynamics for data-driven assimilation and forecasting [11.0735899248545]
  我々は、クープマン作用素理論から着想を得たディープラーニングモデルを訓練し、教師なしの方法で長期反射率ダイナミクスをモデル化する。 この訓練されたモデルは、微分可能であり、直接的にデータ同化の先駆けとして使用できることを示す。
  論文  参考訳（メタデータ） (2023-05-05T10:04:03Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning? [0.0]
  ディープラーニングモデルをトレーニングする上で最大の課題のひとつは、ラベル付きデータセットの可用性だ。 近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発は、大きな成長の可能性を秘めている。
  論文  参考訳（メタデータ） (2022-11-03T19:25:28Z)
• 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)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
  近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。 基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。 気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:38:19Z)
• Spatial-Temporal Alignment Network for Action Recognition and Detection [80.19235282200697]
  本稿では,行動認識と検出を支援する視点不変の特徴表現を導入する方法について検討する。 本稿では,行動認識と行動検出のための幾何学的不変表現の学習を目的とした,空間時間アライメントネットワーク(STAN)を提案する。 我々は、AVA、Kinetics-400、AVA-Kinetics、Charades、Charades-EgoのデータセットでSTANモデルを広範囲にテストした。
  論文  参考訳（メタデータ） (2020-12-04T06:23:40Z)

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。