論文の概要: A comparative study of deep learning methods for building footprints
detection using high spatial resolution aerial images
- arxiv url: http://arxiv.org/abs/2103.09300v1
- Date: Tue, 16 Mar 2021 20:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 12:54:33.756612
- Title: A comparative study of deep learning methods for building footprints
detection using high spatial resolution aerial images
- Title（参考訳）: 高分解能空中画像を用いた建物足跡検出のための深層学習法の比較検討
- Authors: Hongjie He, Ke Yang, Yuwei Cai, Zijian Jiang, Qiutong Yu, Kun Zhao,
Junbo Wang, Sarah Narges Fatholahi, Yan Liu, Hasti Andon Petrosians, Bingxu
Hu, Liyuan Qing, Zhehan Zhang, Hongzhang Xu, Siyu Li, Linlin Xu, Jonathan Li
- Abstract要約: 建物の足跡データは、いくつかの都市用途と自然災害管理で重要です。
ディープラーニングベースの建物フットプリント抽出方法は、建物のフットプリントを正確かつ効率的に抽出できます。
異なるデータサイズにおいて、DeepLabv3+は、最も正確で適度な効率のアルゴリズムである。
- 参考スコア（独自算出の注目度）: 31.455213106872975
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Building footprints data is of importance in several urban applications and
natural disaster management. In contrast to traditional surveying and mapping,
using high spatial resolution aerial images, deep learning-based building
footprints extraction methods can extract building footprints accurately and
efficiently. With rapidly development of deep learning methods, it is hard for
novice to harness the powerful tools in building footprints extraction. The
paper aims at providing the whole process of building footprints extraction
from high spatial resolution images using deep learning-based methods. In
addition, we also compare the commonly used methods, including Fully
Convolutional Networks (FCN)-8s, U-Net and DeepLabv3+. At the end of the work,
we change the data size used in models training to explore the influence of
data size to the performance of the algorithms. The experiments show that, in
different data size, DeepLabv3+ is the best algorithm among them with the
highest accuracy and moderate efficiency; FCN-8s has the worst accuracy and
highest efficiency; U-Net shows the moderate accuracy and lowest efficiency. In
addition, with more training data, algorithms converged faster with higher
accuracy in extraction results.
- Abstract（参考訳）: 足跡データの構築は、いくつかの都市応用と自然災害管理において重要である。
従来の測量やマッピングとは対照的に、高空間分解能空中画像を用いて、ディープラーニングベースの建物足跡抽出手法は、建物の足跡を正確かつ効率的に抽出することができる。
ディープラーニング手法の急速な発展により、初心者は足跡抽出に強力なツールを活用することが困難になる。
本研究の目的は,深層学習を用いた高解像度画像からフットプリントを抽出するプロセス全体を提供することである。
さらに,Fully Convolutional Networks (FCN)-8s,U-Net,DeepLabv3+といった一般的な手法との比較を行った。
研究の最後には、モデルトレーニングで使用されるデータサイズを変更して、データサイズがアルゴリズムのパフォーマンスに与える影響を調べる。
実験によると、異なるデータサイズにおいて、DeepLabv3+は最も精度が高く、適度な効率のアルゴリズムであり、FCN-8sは最悪の精度と最高効率を示し、U-Netは適度な精度と最低効率を示している。
さらに、より多くのトレーニングデータにより、アルゴリズムは抽出結果の精度を高めてより高速に収束した。
関連論文リスト
- Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。
実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文 参考訳（メタデータ） (2021-06-18T01:03:13Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳（メタデータ） (2021-05-25T16:19:16Z) - Densely Nested Top-Down Flows for Salient Object Detection [137.74130900326833]
本稿では,物体検出におけるトップダウンモデリングの役割を再考する。
密度の高いトップダウンフロー(DNTDF)ベースのフレームワークを設計する。
DNTDFのすべての段階において、高いレベルの特徴はプログレッシブ圧縮ショートカットパス(PCSP)を介して読み込まれる。
論文 参考訳（メタデータ） (2021-02-18T03:14:02Z) - A Framework for Fast Scalable BNN Inference using Googlenet and Transfer
Learning [0.0]
本論文は、リアルタイム性能の良い物体検出の高精度化を目指します。
バイナライズニューラルネットワークは、画像分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな視覚タスクで高いパフォーマンスを発揮しています。
その結果,移動学習法により検出された物体の精度は,既存手法と比較して高いことがわかった。
論文 参考訳（メタデータ） (2021-01-04T06:16:52Z) - Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based
Domain Randomization [1.4290119665435117]
合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。
提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。
3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2020-11-17T09:12:11Z) - Learning a Geometric Representation for Data-Efficient Depth Estimation
via Gradient Field and Contrastive Loss [29.798579906253696]
本研究では、コンブネットがラベルのない画像で幾何学的情報を抽出するのを支援するために、運動量差の少ない勾配に基づく自己教師付き学習アルゴリズムを提案する。
提案手法は,従来の自己教師付き学習アルゴリズムよりも優れ,ラベル付きデータの効率を3倍に向上させる。
論文 参考訳（メタデータ） (2020-11-06T06:47:19Z) - Deep Structure Learning using Feature Extraction in Trained Projection
Space [0.0]
我々は、低次元空間における畳み込みによる特徴抽出を可能にするために、Randon-transform(線形データ投影)の自己調整およびデータ依存バージョンを用いてネットワークアーキテクチャを導入する。
PiNetという名前のフレームワークは、エンドツーエンドでトレーニングでき、ボリュームセグメンテーションタスクで有望なパフォーマンスを示す。
論文 参考訳（メタデータ） (2020-09-01T12:16:55Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z) - Can Increasing Input Dimensionality Improve Deep Reinforcement Learning? [15.578423102700764]
本稿では,ニューラルネットを用いたオンライン特徴抽出ネットワーク(OFENet)を提案する。
我々はRLエージェントが低次元状態観測よりも高次元表現でより効率的に学習できることを示す。
論文 参考訳（メタデータ） (2020-03-03T16:52:05Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。