Fugu-MT 論文翻訳(概要): Improving Landslide Detection on SAR Data through Deep Learning

論文の概要: Improving Landslide Detection on SAR Data through Deep Learning

arxiv url: http://arxiv.org/abs/2105.00782v1
Date: Mon, 3 May 2021 12:37:57 GMT
ステータス: 処理完了
システム内更新日: 2021-05-04 18:52:45.140438
Title: Improving Landslide Detection on SAR Data through Deep Learning
Title（参考訳）: 深層学習によるSARデータの地すべり検出の改善
Authors: Lorenzo Nava, Oriol Monserrat and Filippo Catani
Abstract要約: 深層学習畳み込みニューラルネットワーク(cnns)を用いて,光学画像上の地すべりマッピングと分類性能を評価する。約8000の地震地すべりを発生させた地震前後の状況を分析した。グラウンドレンジ検出(GRD)SARデータの組み合わせに基づくCNNは、全体の94%を超える精度に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this letter, we use deep-learning convolution neural networks (CNNs) to assess the landslide mapping and classification performances on optical images (from Sentinel-2) and SAR images (from Sentinel-1). The training and test zones used to independently evaluate the performance of the CNNs on different datasets are located in the eastern Iburi subprefecture in Hokkaido, where, at 03.08 local time (JST) on September 6, 2018, an Mw 6.6 earthquake triggered about 8000 coseismic landslides. We analyzed the conditions before and after the earthquake exploiting multi-polarization SAR as well as optical data by means of a CNN implemented in TensorFlow that points out the locations where the Landslide class is predicted as more likely. As expected, the CNN run on optical images proved itself excellent for the landslide detection task, achieving an overall accuracy of 99.20% while CNNs based on the combination of ground range detected (GRD) SAR data reached overall accuracies beyond 94%. Our findings show that the integrated use of SAR data may also allow for rapid mapping even during storms and under dense cloud cover and seems to provide comparable accuracy to classical optical change detection in landslide recognition and mapping.
Abstract（参考訳）: 本稿では、ディープラーニング畳み込みニューラルネットワーク(CNN)を用いて、光学画像(Sentinel-2)とSAR画像(Sentinel-1)の地すべりマッピングと分類性能を評価する。異なるデータセットにおけるcnnの性能を独立に評価するための訓練・テストゾーンは、2018年9月6日に発生したmw 6.6地震で約8000の地震が発生した北海道のイブリ地区東部にある。我々は,地震前後におけるマルチポーラライゼーションSARと光学データとをTensorFlowで実装したCNNを用いて解析し,ランドスライダーのクラスが予測される場所をより高い確率で示す。予想通り、光学画像上でのcnnは地すべり検出タスクに優れていることが判明し、全体の精度は99.20%となり、地上距離検出(grd)sarデータの組み合わせに基づくcnnは94%以上の精度に達した。以上の結果から,SARデータの統合により,嵐時や密集雲下においても高速なマッピングが可能であり,地すべりの認識・マッピングにおける古典的光学的変化検出に匹敵する精度が期待できると考えられる。

関連論文リスト

SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification [1.2349871196144497]
畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
論文参考訳（メタデータ） (2024-02-27T16:46:21Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。 SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文参考訳（メタデータ） (2023-07-11T09:10:16Z)
Deep learning based landslide density estimation on SAR data for rapid response [0.8208704543835964]
本研究の目的は,SAR(Synthetic Aperture Radar)衛星画像を用いて地すべり密度の推定を行い,緊急時の資源の優先順位を決定することである。米国地質調査所(USGS)の地すべり調査データを用いて,プエルトリコのハリケーン・マリア(Hurricane Mar'ia)の後に専門家が注釈を付けた。本手法は,チップレベルでの正密度推定クラスの予測において0.814 AUCを得る。
論文参考訳（メタデータ） (2022-11-18T16:50:02Z)
Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes [0.8208704543835964]
我々は,地球規模で4つの地すべりイベントに対して,事前処理,機械学習可能なSARデータキューブを提供する。教師付き深層学習(DL)によるSAR地すべり検出の可能性について検討する。 DLモデルは、SARデータから地すべりを検知し、精度-リコール曲線0.7を超えるエリアを達成できる。
論文参考訳（メタデータ） (2022-11-05T10:31:57Z)
Relict landslide detection using Deep-Learning architectures for image segmentation in rainforest areas: A new framework [0.5735035463793008]
地すべりの半自動検出のための新しいCNNフレームワークを提案する。合計42種類のCNNがテストされている。提案手法の予測はより正確で, より正確な地すべり検出が可能であった。
論文参考訳（メタデータ） (2022-08-04T14:46:02Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文参考訳（メタデータ） (2021-11-25T16:21:28Z)
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文参考訳（メタデータ） (2020-06-10T00:19:58Z)

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。