論文の概要: Temporal Cluster Matching for Change Detection of Structures from
Satellite Imagery
- arxiv url: http://arxiv.org/abs/2103.09787v1
- Date: Wed, 17 Mar 2021 17:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 13:55:54.447440
- Title: Temporal Cluster Matching for Change Detection of Structures from
Satellite Imagery
- Title(参考訳): 衛星画像からの構造変化検出のための時間クラスタマッチング
- Authors: Caleb Robinson, Anthony Ortiz, Juan M. Lavista Ferres, Brandon
Anderson, Daniel E. Ho
- Abstract要約: モデルの裏にある直観は、建物が建設される(または取り壊される)とき、建物の足跡内外のスペクトル値の関係が変わるということである。
提案手法は有効なデータ拡張戦略として機能し、研究者が時間次元に沿って既存の構造フットプリントラベルを拡張できることを示します。
- 参考スコア(独自算出の注目度): 6.347756122672385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a general model, Temporal Cluster Matching (TCM), for detecting
building changes in time series of remotely sensed imagery when footprint
labels are only available for a single point in time. The intuition behind the
model is that the relationship between spectral values inside and outside of
building's footprint will change when a building is constructed (or
demolished). For instance, in rural settings, the pre-construction area may
look similar to the surrounding environment until the building is constructed.
Similarly, in urban settings, the pre-construction areas will look different
from the surrounding environment until construction. We further propose a
heuristic method for selecting the parameters of our model which allows it to
be applied in novel settings without requiring data labeling efforts (to fit
the parameters). We apply our model over a dataset of poultry barns from
2016/2017 high-resolution aerial imagery in the Delmarva Peninsula and a
dataset of solar farms from a 2020 mosaic of Sentinel 2 imagery in India. Our
results show that our model performs as well when fit using the proposed
heuristic as it does when fit with labeled data, and further, that supervised
versions of our model perform the best among all the baselines we test against.
Finally, we show that our proposed approach can act as an effective data
augmentation strategy -- it enables researchers to augment existing structure
footprint labels along the time dimension and thus use imagery from multiple
points in time to train deep learning models. We show that this improves the
spatial generalization of such models when evaluated on the same change
detection task.
- Abstract(参考訳): 本稿では,足跡ラベルが1点のみ使用可能な場合,リモートセンシング画像の時系列における建物変化を検出する汎用モデルであるtemporal cluster matching(tcm)を提案する。
モデルの裏にある直感は、建物の足跡内外におけるスペクトル値の関係は、建物が建設される(または取り壊される)際に変化するということである。
例えば、農村では、建物が建設されるまで、建設前のエリアは周囲の環境に似ています。
同様に、都市環境では、プレコンストラクションエリアは建設まで周囲の環境とは異なるように見える。
さらに,データラベリング(パラメータに適合する)を必要とせず,新しい設定で適用可能なモデルパラメータを選択するためのヒューリスティックな手法を提案する。
デルマルバ半島における2016/2017年の高分解能空中画像のデータセットと、2020年にインドで撮影されたセンチネル2号のモザイクによるソーラーファームのデータセットに、我々のモデルを適用する。
以上の結果から,提案するヒューリスティックモデルがラベル付きデータに適合する場合と同等に動作し,さらに,提案モデルの教師付きバージョンでは,テスト対象とするすべてのベースラインで最高の性能を示すことができた。
最後に、提案手法が効果的なデータ拡張戦略として機能することを示し、研究者は時間次元に沿って既存の構造フットプリントラベルを拡張できるため、複数のポイントからのイメージを使用してディープラーニングモデルをトレーニングすることができる。
これにより,同一変化検出タスクで評価した場合の空間一般化が向上することを示す。
関連論文リスト
- Shrub of a thousand faces: an individual segmentation from satellite
images using deep learning [1.7736307382785161]
本研究では,Mask R-CNNを用いたインスタンス分割モデルと併用して,リモートセンシングされたRGB画像を活用する新しい手法を提案する。
本研究では,フォトインタプリタ(PI)とフィールドワーク(FW)データを用いて,モデルの開発と外部検証を行う新しいデータ構築設計を提案する。
最後に,ユニペロス個体の壁面マップを生成するために,開発したモデルを初めて展開する。
論文 参考訳(メタデータ) (2024-01-31T16:44:20Z) - Deep autoregressive modeling for land use land cover [0.0]
ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。
土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
論文 参考訳(メタデータ) (2024-01-02T18:03:57Z) - FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [60.9306410617744]
FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。
我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
論文 参考訳(メタデータ) (2023-12-13T18:28:09Z) - History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization [0.0]
データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。
これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
論文 参考訳(メタデータ) (2023-10-05T00:50:06Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳(メタデータ) (2023-07-12T15:34:10Z) - Learning to Generate 3D Representations of Building Roofs Using
Single-View Aerial Imagery [68.3565370706598]
本研究では,空撮画像から建物屋根メッシュの条件分布を学習するための新しいパイプラインを提案する。
同一物体の複数の画像を必要とする代替手法とは違って,本手法では,一つの画像のみを用いて予測を行う3次元屋根メッシュを推定できる。
論文 参考訳(メタデータ) (2023-03-20T15:47:05Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - High-resolution semantically-consistent image-to-image translation [0.0]
本稿では,スタイル変換フェーズにおける画像のセマンティック一貫性と画素単位の品質を保った教師なし領域適応モデルを提案する。
提案モデルでは,SemI2Iモデルと比較してかなりの性能向上を示し,最先端のCyCADAモデルと同様の結果を得た。
論文 参考訳(メタデータ) (2022-09-13T19:08:30Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳(メタデータ) (2022-04-14T17:59:32Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - FoveaTer: Foveated Transformer for Image Classification [8.207403859762044]
本研究では,プール領域とサスカディック動作を用いてオブジェクト分類タスクを行うFoveaTerモデルを提案する。
本研究では,提案モデルと未発見モデルを用いてアンサンブルモデルを構築し,未発見モデルよりも精度1.36%の精度で計算コストを22%削減した。
論文 参考訳(メタデータ) (2021-05-29T01:54:33Z)
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。