論文の概要: FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene
Understanding
- arxiv url: http://arxiv.org/abs/2012.02951v1
- Date: Sat, 5 Dec 2020 05:15:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:07:12.341881
- Title: FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene
Understanding
- Title（参考訳）: FloodNet: ポストフラッドシーン理解のための高解像度空中画像データセット
- Authors: Maryam Rahnemoonfar, Tashnim Chowdhury, Argho Sarkar, Debvrat
Varshney, Masoud Yari, Robin Murphy
- Abstract要約: FloodNetはハリケーン・ハーヴェイの後に撮影された高解像度UAV画像である。
このデータセットは、被災地域の浸水被害を示している。
深層学習アルゴリズムの進歩により、災害の影響を分析し、影響を受ける地域を正確に理解することができる。
- 参考スコア（独自算出の注目度）: 0.9786690381850354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual scene understanding is the core task in making any crucial decision in
any computer vision system. Although popular computer vision datasets like
Cityscapes, MS-COCO, PASCAL provide good benchmarks for several tasks (e.g.
image classification, segmentation, object detection), these datasets are
hardly suitable for post disaster damage assessments. On the other hand,
existing natural disaster datasets include mainly satellite imagery which have
low spatial resolution and a high revisit period. Therefore, they do not have a
scope to provide quick and efficient damage assessment tasks. Unmanned Aerial
Vehicle(UAV) can effortlessly access difficult places during any disaster and
collect high resolution imagery that is required for aforementioned tasks of
computer vision. To address these issues we present a high resolution UAV
imagery, FloodNet, captured after the hurricane Harvey. This dataset
demonstrates the post flooded damages of the affected areas. The images are
labeled pixel-wise for semantic segmentation task and questions are produced
for the task of visual question answering. FloodNet poses several challenges
including detection of flooded roads and buildings and distinguishing between
natural water and flooded water. With the advancement of deep learning
algorithms, we can analyze the impact of any disaster which can make a precise
understanding of the affected areas. In this paper, we compare and contrast the
performances of baseline methods for image classification, semantic
segmentation, and visual question answering on our dataset.
- Abstract（参考訳）: 視覚的なシーン理解は、コンピュータビジョンシステムにおいて重要な決定を下す上で重要なタスクである。
Cityscapes、MS-COCO、PASCALのような一般的なコンピュータビジョンデータセットは、いくつかのタスク(例えば)に良いベンチマークを提供する。
画像分類、セグメンテーション、オブジェクト検出) これらのデータセットは、災害後の損傷評価にはあまり適していない。
一方,既存の自然災害データには,空間分解能が低く,再訪期間が高い衛星画像が多く含まれている。
したがって、迅速なかつ効率的な損害評価タスクを提供するためのスコープはない。
無人航空機(UAV)は、災害時に困難な場所にアクセスし、前述のコンピュータビジョンのタスクに必要な高解像度画像を収集することができる。
これらの問題に対処するため、ハリケーン・ハーヴェイの後に撮影された高解像度UAV画像FloodNetを提示する。
このデータセットは、被災地域の浸水被害を示している。
画像はセマンティックセグメンテーションタスクにピクセル単位でラベル付けされ、視覚的質問応答タスクに質問を生成する。
FloodNetは、浸水した道路や建物を検出し、自然水と浸水した水を区別するなど、いくつかの課題を提起している。
深層学習アルゴリズムの進歩により、災害の影響を分析し、影響を受ける地域を正確に理解することができる。
本稿では,画像分類,セマンティックセグメンテーション,視覚的質問応答におけるベースライン手法の性能を比較し,比較する。
関連論文リスト
- BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support [34.91321323785173]
我々はBlessemFlood21データセットを導入し、効率的な洪水検知ツールの研究を刺激する。
この画像は、2021年のエルフトシュタット=ブレセム洪水で取得され、高解像度でジオレファレンスなRGB-NIR画像で構成された。
得られたRGBデータセットでは、画像に詳細な水面を補足し、半教師付きヒト・イン・ザ・ループ技術を用いて取得する。
論文 参考訳（メタデータ） (2024-07-06T08:58:43Z) - Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。
ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。
トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文 参考訳（メタデータ） (2024-04-11T19:06:36Z) - Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
知識蒸留に基づくクロスレベル特徴学習戦略
多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。
GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
論文 参考訳（メタデータ） (2023-02-14T08:30:51Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像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コントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳（メタデータ） (2022-06-13T19:14:06Z) - RescueNet: A High Resolution UAV Semantic Segmentation Benchmark Dataset for Natural Disaster Damage Assessment [0.0]
RescueNetはハリケーン・マイケルの後に収集された災害後の画像を含んでいる。
RescueNetは、建物、道路、プール、木など、すべてのクラスに対してピクセルレベルのアノテーションを提供する。
本研究では,RescueNet上での最先端セグメンテーションモデルを実装することにより,データセットの有用性を評価する。
論文 参考訳（メタデータ） (2022-02-24T20:56:29Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。
この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。
本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
論文 参考訳（メタデータ） (2020-12-15T21:30:19Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z) - Improving Emergency Response during Hurricane Season using Computer
Vision [0.06882042556551608]
我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。
我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。
画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
論文 参考訳（メタデータ） (2020-08-17T15:42:02Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z) - An Attention-Based System for Damage Assessment Using Satellite Imagery [18.43310705820528]
本稿では,建物の損傷レベルを評価するため,Siam-U-Net-Attnモデルを提案する。
大規模建物被害評価データセットである xView2 上で提案手法の評価を行い,提案手法が正確な被害規模分類と建物分割を同時に達成できることを実証した。
論文 参考訳（メタデータ） (2020-04-14T16:37:55Z)
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。