論文の概要: H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain
Adaptation and Label Refinement
- arxiv url: http://arxiv.org/abs/2010.05309v1
- Date: Sun, 11 Oct 2020 18:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 12:58:32.711715
- Title: H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain
Adaptation and Label Refinement
- Title(参考訳): H2O-Net: Adversarial Domain Adaptation と Label Refinement による自己改善型フラッドセグメンテーション
- Authors: Peri Akiva, Matthew Purri, Kristin Dana, Beth Tellman, Tyler Anderson
- Abstract要約: H2O-Networkは、衛星や航空画像から洪水を分離する自己教師付きディープラーニング手法である。
H2O-Networkは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と高い相関性を持つ信号を合成することを学ぶ。
H2O-Netは,衛星画像上での最先端セマンティックセマンティックセグメンテーション法を,それぞれ10%,12%の精度で,mIoUより優れていることを示す。
- 参考スコア(独自算出の注目度): 6.577064131678387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate flood detection in near real time via high resolution, high latency
satellite imagery is essential to prevent loss of lives by providing quick and
actionable information. Instruments and sensors useful for flood detection are
only available in low resolution, low latency satellites with region re-visit
periods of up to 16 days, making flood alerting systems that use such
satellites unreliable. This work presents H2O-Network, a self supervised deep
learning method to segment floods from satellites and aerial imagery by
bridging domain gap between low and high latency satellite and coarse-to-fine
label refinement. H2O-Net learns to synthesize signals highly correlative with
water presence as a domain adaptation step for semantic segmentation in high
resolution satellite imagery. Our work also proposes a self-supervision
mechanism, which does not require any hand annotation, used during training to
generate high quality ground truth data. We demonstrate that H2O-Net
outperforms the state-of-the-art semantic segmentation methods on satellite
imagery by 10% and 12% pixel accuracy and mIoU respectively for the task of
flood segmentation. We emphasize the generalizability of our model by
transferring model weights trained on satellite imagery to drone imagery, a
highly different sensor and domain.
- Abstract(参考訳): 高分解能・高遅延衛星画像による洪水の正確な検出は、迅速かつ実用的な情報を提供することで、生命の喪失を防止するために不可欠である。
浸水検知に有用な機器やセンサーは、低解像度の低遅延衛星で最大16日間の再視認できるため、そのような衛星を使用する洪水警報システムでは信頼性が低い。
H2O-Networkは、低遅延衛星と高遅延衛星の領域ギャップを埋めて、衛星と空中画像から洪水を分断する自己教師型深層学習手法である。
H2O-Netは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と関連性の高い信号を合成することを学ぶ。
また,高品質な地上真実データを生成するために,手書きアノテーションを必要としない自己監督機構を提案する。
我々は,H2O-Netが,洪水セグメンテーションのタスクにおいて,衛星画像上の最先端セグメンテーション手法を10%,12%の精度で,mIoUよりも優れていることを示した。
衛星画像で訓練されたモデル重量を、高度に異なるセンサーとドメインであるドローン画像に転送することで、モデルの一般化性を強調する。
関連論文リスト
- Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Intermediate and Future Frame Prediction of Geostationary Satellite
Imagery With Warp and Refine Network [4.393292642453663]
静止衛星画像は、気候や天気予報、自然エネルギー資源の計画、極端な気象事象の予測に応用されている。
高精度かつ正確な予測のためには、静止衛星画像の高分解能と時間分解能が重要である。
我々はこの問題を解決するためにワープ・アンド・フィニッシュ・ネットワーク(WR-Net)を提案した。
WR-Netは、光流ワープ成分とワープ画像精製成分とに分けられる。
論文 参考訳(メタデータ) (2023-03-08T06:53:42Z) - Cross-Geography Generalization of Machine Learning Methods for
Classification of Flooded Regions in Aerial Images [3.9921541182631253]
本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。
最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。
2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
論文 参考訳(メタデータ) (2022-10-04T13:11:44Z) - Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR
Image Retrieval [31.974530072369753]
サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。
ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
論文 参考訳(メタデータ) (2022-09-29T18:17:56Z) - Towards Daily High-resolution Inundation Observations using Deep
Learning and EO [0.0]
絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。
衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。
空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
論文 参考訳(メタデータ) (2022-08-10T14:04:50Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳(メタデータ) (2022-07-17T01:35:29Z) - Attentive Dual Stream Siamese U-net for Flood Detection on
Multi-temporal Sentinel-1 Data [0.0]
両時間SARによる洪水検知ネットワークを提案する。
提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。
このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
論文 参考訳(メタデータ) (2022-04-20T10:56:39Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-11-17T21:48:31Z) - Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional
Pixel Synthesis [66.50914391487747]
高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。
我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-22T02:16:24Z) - 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) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳(メタデータ) (2020-08-03T13:55:39Z)
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。