論文の概要: The Multi-Temporal Urban Development SpaceNet Dataset
- arxiv url: http://arxiv.org/abs/2102.04420v1
- Date: Mon, 8 Feb 2021 18:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 16:58:05.569409
- Title: The Multi-Temporal Urban Development SpaceNet Dataset
- Title（参考訳）: 多時期都市開発スペースネットデータセット
- Authors: Adam Van Etten, Daniel Hogan, Jesus Martinez-Manso, Jacob Shermeyer,
Nicholas Weir, Ryan Lewis
- Abstract要約: 本稿では,Multi-Temporal Urban Development SpaceNet(MUDS)データセットを提案する。
このオープンソースのデータセットは、中程度の解像度 (4.0m) の衛星画像モザイクで構成されている。
各建物にはユニークな識別子(アドレス)が割り当てられており、時間とともに個々のオブジェクトを追跡することができる。
都市化を直接評価し, 建物フットプリント構築(あるいは解体)を経時的に追跡する方法を実証する。
- 参考スコア（独自算出の注目度）: 7.606927524074595
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Satellite imagery analytics have numerous human development and disaster
response applications, particularly when time series methods are involved. For
example, quantifying population statistics is fundamental to 67 of the 231
United Nations Sustainable Development Goals Indicators, but the World Bank
estimates that over 100 countries currently lack effective Civil Registration
systems. To help address this deficit and develop novel computer vision methods
for time series data, we present the Multi-Temporal Urban Development SpaceNet
(MUDS, also known as SpaceNet 7) dataset. This open source dataset consists of
medium resolution (4.0m) satellite imagery mosaics, which includes 24 images
(one per month) covering >100 unique geographies, and comprises >40,000 km2 of
imagery and exhaustive polygon labels of building footprints therein, totaling
over 11M individual annotations. Each building is assigned a unique identifier
(i.e. address), which permits tracking of individual objects over time. Label
fidelity exceeds image resolution; this "omniscient labeling" is a unique
feature of the dataset, and enables surprisingly precise algorithmic models to
be crafted. We demonstrate methods to track building footprint construction (or
demolition) over time, thereby directly assessing urbanization. Performance is
measured with the newly developed SpaceNet Change and Object Tracking (SCOT)
metric, which quantifies both object tracking as well as change detection. We
demonstrate that despite the moderate resolution of the data, we are able to
track individual building identifiers over time. This task has broad
implications for disaster preparedness, the environment, infrastructure
development, and epidemic prevention.
- Abstract（参考訳）: 衛星画像解析は、特に時系列手法が関与する場合に、多くの人的開発や災害対応の応用をもたらす。
例えば、人口統計の定量化は、国連持続可能な開発目標指標231の67に基本的であるが、世界銀行は100か国以上に現在、効果的な市民登録制度が欠けていると推定している。
この欠点に対処し、時系列データのための新しいコンピュータビジョン手法を開発するために、Multi-Temporal Urban Development SpaceNet(MUDS, SpaceNet 7)データセットを提示する。
このオープンソースのデータセットは、中分解能(4.0m)の衛星画像モザイクで構成されており、100以上のユニークな地形をカバーする24の画像(月1枚)と、建物の足跡の4万km2以上の多角形のラベルで構成されており、合計で1100万個以上のアノテーションがある。
各建物にはユニークな識別子(すなわち)が割り当てられる。
アドレス(address)は、時間とともに個々のオブジェクトのトラッキングを可能にする。
ラベルの忠実度は画像の解像度を超え、この「万能なラベル付け」はデータセットのユニークな特徴であり、驚くほど正確なアルゴリズムモデルを作成することができる。
都市化を直接評価し, 建物フットプリント構築(あるいは解体)を経時的に追跡する方法を実証する。
性能は、新しく開発されたSpaceNet Change and Object Tracking(SCOT)メトリックで測定され、オブジェクト追跡と変更検出の両方を定量化する。
データの適度な分解性にもかかわらず、時間とともに個々のビルディング識別子を追跡できることを実証する。
この課題は, 防災, 環境, インフラ整備, 防災に幅広い影響を及ぼす。
関連論文リスト
- Building Extraction from Remote Sensing Images via an Uncertainty-Aware
Network [18.365220543556113]
ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。
本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。
その結果、提案したUANetは、他の最先端アルゴリズムよりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-07-23T12:42:15Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - 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) - Continental-Scale Building Detection from High Resolution Satellite
Imagery [5.56205296867374]
アーキテクチャ,損失関数,正規化,事前学習,自己学習,後処理のバリエーションについて検討し,インスタンスセグメンテーション性能を向上する。
アフリカ全土の100万枚の衛星画像のデータセットを用いて、手動でラベル付けされた建築事例を含む実験が行われた。
本稿では,このモデルを用いた建物検出の性能向上のための新しい手法について報告する。
論文 参考訳（メタデータ） (2021-07-26T15:48:14Z) - Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。
私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。
我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
論文 参考訳（メタデータ） (2021-05-06T04:46:14Z) - 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) - The SpaceNet Multi-Temporal Urban Development Challenge [5.191792224645409]
足跡を構築することは、多くの人道的アプリケーションに有用なプロキシを提供する。
本論文では, 建物のランドスケープ, トラッキング, 変化の検出を精度良く行うための手法の開発について論じる。
競合は、4m解像度でPlanet Labsの衛星画像モザイクの全く新しいオープンソースデータセットを中心にした。
受賞した参加者は、新たに開発されたSpaceNet Change and Object Tracking(SCOT)メトリックで印象的なパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-23T22:01:22Z) - Pattern Recognition Scheme for Large-Scale Cloud Detection over
Landmarks [6.297735260720704]
本稿では,Meteosat Second Generation (MSG)データを用いて,ランドマーク上の雲の存在を検出できる完全なパターン認識手法を提案する。
結果はクラウド検出精度と計算コストの観点から分析される。
論文 参考訳（メタデータ） (2020-12-08T09:53:08Z) - Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。
私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。
これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。
我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
論文 参考訳（メタデータ） (2020-11-11T22:32:21Z) - Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions [0.0]
本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
論文 参考訳（メタデータ） (2020-09-01T02:11:14Z)
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。