論文の概要: Hi-UCD: A Large-scale Dataset for Urban Semantic Change Detection in
Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2011.03247v7
- Date: Mon, 28 Dec 2020 01:47:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:15:51.295141
- Title: Hi-UCD: A Large-scale Dataset for Urban Semantic Change Detection in
Remote Sensing Imagery
- Title(参考訳): Hi-UCD:リモートセンシング画像における都市セマンティック変化検出のための大規模データセット
- Authors: Shiqi Tian, Ailong Ma, Zhuo Zheng, Yanfei Zhong
- Abstract要約: Hi-UCDは、都市変化検出のための大規模なベンチマークデータセットである。
精巧な都市変化の検出と分析に使用できる。
バイナリとマルチクラスの変更検出において,古典的な手法を用いてデータセットをベンチマークする。
- 参考スコア(独自算出の注目度): 5.151973524974052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the acceleration of the urban expansion, urban change detection (UCD),
as a significant and effective approach, can provide the change information
with respect to geospatial objects for dynamical urban analysis. However,
existing datasets suffer from three bottlenecks: (1) lack of high spatial
resolution images; (2) lack of semantic annotation; (3) lack of long-range
multi-temporal images. In this paper, we propose a large scale benchmark
dataset, termed Hi-UCD. This dataset uses aerial images with a spatial
resolution of 0.1 m provided by the Estonia Land Board, including three-time
phases, and semantically annotated with nine classes of land cover to obtain
the direction of ground objects change. It can be used for detecting and
analyzing refined urban changes. We benchmark our dataset using some classic
methods in binary and multi-class change detection. Experimental results show
that Hi-UCD is challenging yet useful. We hope the Hi-UCD can become a strong
benchmark accelerating future research.
- Abstract(参考訳): 都市拡張の加速により、都市変化検出(ucd)は重要かつ効果的なアプローチとして、動的都市分析のための地理空間オブジェクトに関する変更情報を提供することができる。
しかし、既存のデータセットには、(1)高解像度画像の欠如、(2)意味アノテーションの欠如、(3)長距離多時間画像の欠如、の3つのボトルネックがある。
本稿では,Hi-UCDと呼ばれる大規模ベンチマークデータセットを提案する。
このデータセットは、エストニア土地委員会が3回の位相を含む0.1mの空間分解能を持つ空中画像を使用し、9種類の土地被覆を意味的に注釈付けして地上物体の変化の方向を求める。
精製された都市の変化の検出と分析に使用できる。
バイナリとマルチクラスの変更検出において,古典的な手法を用いてデータセットをベンチマークする。
実験の結果,Hi-UCDは難しいが有用であることがわかった。
Hi-UCDが将来の研究を加速する強力なベンチマークになることを期待している。
関連論文リスト
- UniMODE: Unified Monocular 3D Object Detection [76.77182583753051]
我々は,鳥眼視(BEV)検出パラダイムに基づく検出器を構築した。
本稿では,この課題に起因する収束不安定性に対応するために,不均一なBEVグリッド設計を提案する。
統一検出器UniMODEが導出され、挑戦的なOmni3Dデータセットの先行技術を上回る。
論文 参考訳(メタデータ) (2024-02-28T18:59:31Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳(メタデータ) (2023-04-22T22:39:03Z) - Long-term Visual Localization with Mobile Sensors [30.839849072256435]
そこで本稿では,GPS,コンパス,重力センサなどの携帯端末にセンサを追加することで,この課題を解決することを提案する。
また,最初のポーズで直接2D-3Dマッチングネットワークを考案し,効率的に2D-3D対応を確立できる。
提案手法といくつかの最先端ベースラインをベンチマークし,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-04-16T04:35:10Z) - Progressive Domain Adaptation with Contrastive Learning for Object
Detection in the Satellite Imagery [0.0]
最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。
本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。
未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
論文 参考訳(メタデータ) (2022-09-06T15:16:35Z) - Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。
また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。
DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
論文 参考訳(メタデータ) (2022-05-23T23:05:07Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳(メタデータ) (2022-01-12T14:48:11Z) - UrbanNet: Leveraging Urban Maps for Long Range 3D Object Detection [0.0]
UrbanNetは、静的カメラを用いた長距離モノクル3Dオブジェクト検出のためのモジュラーアーキテクチャである。
提案システムは,利用可能な都市地図と,成熟した2次元オブジェクト検出器と効率的な3次元オブジェクト記述器を組み合わせたものである。
我々は,UrbanNetを,新しい難易度の高い合成データセットで評価し,斜面の変化を伴う道路交通検知におけるその設計の利点を強調した。
論文 参考訳(メタデータ) (2021-10-11T19:03:20Z) - 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) - Quantifying Data Augmentation for LiDAR based 3D Object Detection [139.64869289514525]
そこで本研究では,光検出・ランドング(LiDAR)に基づく3次元物体検出において一般的に使用される,様々なデータ拡張手法について光を当てた。
本研究では,グローバルな拡張技術がシーン全体の点雲に適用され,ローカルな拡張技術がシーン内の個々のオブジェクトに属する点にのみ適用される,様々なグローバルおよびローカルな拡張技術について検討する。
以上の結果から,2種類のデータ拡張はパフォーマンス向上につながるが,個々のオブジェクト翻訳などの拡張技術は非生産的であり,全体的なパフォーマンスを損なう可能性があることがわかった。
論文 参考訳(メタデータ) (2020-04-03T16:09:14Z)
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。