論文の概要: Mapping Slums with Medium Resolution Satellite Imagery: a Comparative Analysis of Multi-Spectral Data and Grey-level Co-occurrence Matrix Techniques

• arxiv url: http://arxiv.org/abs/2106.11395v1
• Date: Mon, 21 Jun 2021 20:11:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 06:12:53.276621
• Title: Mapping Slums with Medium Resolution Satellite Imagery: a Comparative Analysis of Multi-Spectral Data and Grey-level Co-occurrence Matrix Techniques
• Title（参考訳）: 中分解能衛星画像を用いたスラムマッピング:マルチスペクトルデータとグレイレベルの共起行列法の比較解析
• Authors: Agatha C. H. de Mattos, Gavin McArdle, Michela Bertolotto
• Abstract要約: UN-Habitatは、世界中のスラム街に10億人以上が住んでいると推定している。 10メートル以上の解像度の衛星画像は、開発目標の追跡に適している可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The UN-Habitat estimates that over one billion people live in slums around the world. However, state-of-the-art techniques to detect the location of slum areas employ high-resolution satellite imagery, which is costly to obtain and process. As a result, researchers have started to look at utilising free and open-access medium resolution satellite imagery. Yet, there is no clear consensus on which data preparation and machine learning approaches are the most appropriate to use with such imagery data. In this paper, we evaluate two techniques (multi-spectral data and grey-level co-occurrence matrix feature extraction) on an open-access dataset consisting of labelled Sentinel-2 images with a spatial resolution of 10 meters. Both techniques were paired with a canonical correlation forests classifier. The results show that the grey-level co-occurrence matrix performed better than multi-spectral data for all four cities. It had an average accuracy for the slum class of 97% and a mean intersection over union of 94%, while multi-spectral data had 75% and 64% for the respective metrics. These results indicate that open-access satellite imagery with a resolution of at least 10 meters may be suitable for keeping track of development goals such as the detection of slums in cities.
• Abstract（参考訳）: 人口は世界のスラムに10億人以上いると推定されている。 しかし、スラム領域の位置を検出する最先端技術は高解像度の衛星画像を用いており、取得と処理に費用がかかる。 その結果、研究者は自由でオープンな中分解能衛星画像の利用に目を向け始めた。 しかし、これらの画像データでどのデータ準備と機械学習アプローチが最も適しているかについては、明確なコンセンサスがない。 本稿では,空間分解能10mのラベル付きSentinel-2画像からなるオープンアクセスデータセット上で,マルチスペクトルデータとグレーレベルの共起行列特徴抽出の2つの手法を評価する。 両手法を標準相関林分類器と組み合わせた。 その結果, 灰色レベルの共起行列は4都市ごとのマルチスペクトルデータよりも優れていた。 スラムクラスの平均精度は97%であり、結合点の平均交点率は94%であり、マルチスペクトルデータは75%と64%であった。 これらの結果から,10m以上の解像度を持つオープンアクセス衛星画像は,都市内のスラムの検出など開発目標の追跡に適している可能性が示唆された。

関連論文リスト

• Semantic segmentation on multi-resolution optical and microwave data using deep learning [0.0]
  畳み込みニューラルネットワークに基づく修正U-NetモデルとVGG-UNetモデルにより、衛星画像からオブジェクトを自動的に識別する。 Cartosat 2S (1m空間分解能)データセットが使用された。 ディープラーニングモデルは、95%以上の精度でテストデータセットから構築された形状と船を検出するために実装された。
  論文  参考訳（メタデータ） (2024-11-12T06:33:09Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Combining geolocation and height estimation of objects from street level imagery [5.887281983256354]
  道路レベルRGB画像からの多クラス物体位置推定と高さ推定を組み合わせたパイプラインを提案する。 提案手法は、カスタムトレーニングされた畳み込みニューラルネットワークで検出された画像平面内の物体の座標とともに画像メタデータを使用する。
  論文  参考訳（メタデータ） (2023-05-14T19:40:02Z)
• 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)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Multispectral Satellite Data Classification using Soft Computing Approach [5.3971200250581814]
  本稿では,オブジェクトの識別のためのグリッド密度に基づくクラスタリング手法を提案する。 本稿では,ルール帰納型機械学習アルゴリズムを用いて衛星画像データを分類する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-21T17:25:09Z)
• Large-Scale Unsupervised Object Discovery [80.60458324771571]
  教師なしオブジェクトディスカバリ(UOD)は、パフォーマンスを損なう近似なしでは、大規模なデータセットにスケールアップしない。 本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-12T00:29:49Z)
• 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)
• A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery [1.066048003460524]
  本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。 提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T16:12:08Z)

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。