論文の概要: A Novel CNN-LSTM-based Approach to Predict Urban Expansion
- arxiv url: http://arxiv.org/abs/2103.01695v1
- Date: Tue, 2 Mar 2021 12:58:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:35:56.483679
- Title: A Novel CNN-LSTM-based Approach to Predict Urban Expansion
- Title(参考訳): CNN-LSTMによる都市拡張予測手法
- Authors: Wadii Boulila, Hamza Ghandorh, Mehshan Ahmed Khan, Fawad Ahmed, Jawad
Ahmad
- Abstract要約: 時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。
本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。
都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
- 参考スコア(独自算出の注目度): 1.2233362977312943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-series remote sensing data offer a rich source of information that can
be used in a wide range of applications, from monitoring changes in land cover
to surveilling crops, coastal changes, flood risk assessment, and urban sprawl.
This paper addresses the challenge of using time-series satellite images to
predict urban expansion. Building upon previous work, we propose a novel
two-step approach based on semantic image segmentation in order to predict
urban expansion. The first step aims to extract information about urban regions
at different time scales and prepare them for use in the training step. The
second step combines Convolutional Neural Networks (CNN) with Long Short Term
Memory (LSTM) methods in order to learn temporal features and thus predict
urban expansion. In this paper, experimental results are conducted using
several multi-date satellite images representing the three largest cities in
Saudi Arabia, namely: Riyadh, Jeddah, and Dammam. We empirically evaluated our
proposed technique, and examined its results by comparing them with
state-of-the-art approaches. Following this evaluation, we determined that our
results reveal improved performance for the new-coupled CNN-LSTM approach,
particularly in terms of assessments based on Mean Square Error, Root Mean
Square Error, Peak Signal to Noise Ratio, Structural Similarity Index, and
overall classification accuracy.
- Abstract(参考訳): 時系列リモートセンシングデータは、土地被覆の変化の監視からサーベイリング作物、沿岸部の変化、洪水リスクアセスメント、都市スプロールまで、幅広いアプリケーションで使用できる豊富な情報源を提供します。
本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。
そこで本稿では, 都市拡大を予測するために, セマンティックイメージセグメンテーションに基づく新しい2段階アプローチを提案する。
最初のステップは、異なる時間スケールで都市地域に関する情報を抽出し、トレーニングステップで使用するために準備することです。
2番目のステップは、Convolutional Neural Networks(CNN)とLong Short Term Memory(LSTM)を組み合わせ、時間的特徴を学び、都市の拡大を予測します。
本論文では,サウジアラビアの3大都市,すなわちリヤド,ジェッダ,ダムマムを表す複数の衛星画像を用いて実験を行った。
提案手法を実証的に評価し,その成果を最新手法と比較して検討した。
本評価の結果から,新しい結合型CNN-LSTM手法の性能,特に平均正方形誤差,ルート平均正方形誤差,ピーク信号の雑音比,構造類似度指数,全体分類精度に基づく評価の点において,性能が向上していることが判明した。
関連論文リスト
- SCILLA: SurfaCe Implicit Learning for Large Urban Area, a volumetric hybrid solution [4.216707699421813]
SCILLAは2次元画像から大きな運転シーンを再構築するハイブリッドな表面学習手法である。
SCILLAは,様々な都市シナリオにおいて,正確な3次元表面のシーン表現を学べることを示す。
論文 参考訳(メタデータ) (2024-03-15T14:31:17Z) - UB-FineNet: Urban Building Fine-grained Classification Network for
Open-access Satellite Images [7.435848987082052]
オープンアクセス衛星画像を用いた都市建物のきめ細かい分類のためのディープ・ネットワーク・アプローチを提案する。
クラス不均衡の問題を緩和するために,カテゴリ情報バランスモジュール (CIBM) とコントラストスーパービジョン (CS) 技術を用いた新たなきめ細かい分類網を提案する。
11の細い建物を持つ香港のデータセットの実験では、Top-1の平均精度が60.45%の有望な分類結果が示された。
論文 参考訳(メタデータ) (2024-03-04T15:40:31Z) - RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering
Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。
本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文 参考訳(メタデータ) (2023-12-19T03:39:56Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳(メタデータ) (2023-09-26T23:55:39Z) - Implicit neural representation for change detection [15.741202788959075]
点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。
Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。
本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
論文 参考訳(メタデータ) (2023-07-28T09:26:00Z) - 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) - 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) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2022-05-27T12:46:52Z) - Investigating Temporal Convolutional Neural Networks for Satellite Image
Time Series Classification: A survey [0.0]
時間的CNNは、SITS分類タスクに採用され、結果を奨励している。
本稿では,本手法をSITS分類の多くの現代的手法と比較し,近年の文献における既存の知見の検証を試みる。
2つのベンチマークSITSデータセットで実験を行い、Temporal CNNが比較ベンチマークアルゴリズムよりも優れた性能を示すことを示した。
論文 参考訳(メタデータ) (2022-04-13T14:08:14Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳(メタデータ) (2021-06-23T17:27:04Z) - Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation [3.2489082010225494]
都市交通データは、測定不足につながる不完全な傾向があります。
交通の都市的・時間的側面を考慮したCANDECOMP/AFAC(CP)完成手法を提案する。
提案手法は,最先端cpアプローチと比較して26%,最先端生成モデルベースアプローチでは35%の有効回復性能を提供する。
論文 参考訳(メタデータ) (2021-03-12T16:07:23Z)
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。