論文の概要: S2Looking: A Satellite Side-Looking Dataset for Building Change Detection

• arxiv url: http://arxiv.org/abs/2107.09244v1
• Date: Tue, 20 Jul 2021 03:31:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 22:18:47.732795
• Title: S2Looking: A Satellite Side-Looking Dataset for Building Change Detection
• Title（参考訳）: S2Looking: ビル変更検出のための衛星サイドルックデータセット
• Authors: Li Shen, Yao Lu, Hao Chen, Hao Wei, Donghai Xie, Jiabao Yue, Rui Chen, Yue Zhang, Ao Zhang, Shouye Lv, Bitao Jiang
• Abstract要約: S2Lookingは、大規模で横向きの衛星画像を含む建築変化検出データセットである。 提案するデータセットは,衛星画像変化検出・登録を行うアルゴリズムの開発を促進する可能性がある。
• 参考スコア（独自算出の注目度）: 21.366774827660933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collecting large-scale annotated satellite imagery datasets is essential for deep-learning-based global building change surveillance. In particular, the scroll imaging mode of optical satellites enables larger observation ranges and shorter revisit periods, facilitating efficient global surveillance. However, the images in recent satellite change detection datasets are mainly captured at near-nadir viewing angles. In this paper, we introduce S2Looking, a building change detection dataset that contains large-scale side-looking satellite images captured at varying off-nadir angles. Our S2Looking dataset consists of 5000 registered bitemporal image pairs (size of 1024*1024, 0.5 ~ 0.8 m/pixel) of rural areas throughout the world and more than 65,920 annotated change instances. We provide two label maps to separately indicate the newly built and demolished building regions for each sample in the dataset. We establish a benchmark task based on this dataset, i.e., identifying the pixel-level building changes in the bi-temporal images. We test several state-of-the-art methods on both the S2Looking dataset and the (near-nadir) LEVIR-CD+ dataset. The experimental results show that recent change detection methods exhibit much poorer performance on the S2Looking than on LEVIR-CD+. The proposed S2Looking dataset presents three main challenges: 1) large viewing angle changes, 2) large illumination variances and 3) various complex scene characteristics encountered in rural areas. Our proposed dataset may promote the development of algorithms for satellite image change detection and registration under conditions of large off-nadir angles. The dataset is available at https://github.com/AnonymousForACMMM/.
• Abstract（参考訳）: 大規模なアノテーション付き衛星画像データセットの収集は、ディープラーニングに基づくグローバルな建物変更監視に不可欠である。 特に、光学衛星のスクロールイメージングモードは、より広い観測範囲と短い再訪期間を可能にし、効率的なグローバル監視を容易にする。 しかし、最近の衛星変化検出データセットの画像は、主にnadirに近い角度で撮影される。 本稿では,S2Lookingについて紹介する。S2Lookingは大規模で横向きの衛星画像を含む建物変更検出データセットである。 我々のS2Lookingデータセットは、世界中の農村地域の5000のバイテンポラルイメージペア(1024*1024,0.5 ~0.8 m/ピクセル)と65,920以上の注釈付き変更インスタンスで構成されています。 データセットの各サンプルに対して,新たに構築され,取り壊された建物領域を別々に示すラベルマップを2つ提供します。 このデータセットに基づいたベンチマークタスク、すなわち、バイテンポラル画像におけるピクセルレベルのビルド変更を識別する。 我々は、s2lookデータセットと(near-nadir) levir-cd+データセットの両方で最先端のメソッドをテストした。 実験結果から,最近の変化検出手法はLEVIR-CD+よりもS2 Lookの方が性能が劣っていることがわかった。 提案したS2探索データセットは,1)大きな視角変化,2)大きな照度変化,3)農村部で発生する複雑な景観特性の3つの主な課題を示す。 提案するデータセットは,衛星画像変化検出・登録を行うアルゴリズムの開発を促進する可能性がある。 データセットはhttps://github.com/anonymousforacmmm/で入手できる。

関連論文リスト

• OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
  OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。 データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-10-30T17:56:02Z)
• 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)
• Ground-to-Aerial Person Search: Benchmark Dataset and Approach [42.54151390290665]
  我々はG2APSという,地上から航空への人物探索のための大規模データセットを構築した。 G2APSには、UAVと地上監視カメラの両方に2,644個のアイデンティティを持つ260,559個の注釈付きバウンディングボックスの31,770枚の画像が含まれている。
  論文  参考訳（メタデータ） (2023-08-24T11:11:26Z)
• Focus or Not: A Baseline for Anomaly Event Detection On the Open Public Places with Satellite Images [8.004533123056083]
  公開地における異常事象を検出するための新しい衛星画像データセット(AED-RS)を提案する。 このデータセットでは、弱い教師付きでトレーニングできるデータセットTB-FLOWのベースラインモデルを導入する。
  論文  参考訳（メタデータ） (2023-03-21T08:23:05Z)
• An Aligned Multi-Temporal Multi-Resolution Satellite Image Dataset for Change Detection Research [0.0]
  本稿では,変化検出のための多時間・多解像度衛星画像データセットについて述べる。 このデータセットは、SpaceNet-7データセットをランドサットとセンチネルの画像の時間並列スタックで拡張することで作成された。
  論文  参考訳（メタデータ） (2023-02-23T19:43:20Z)
• Argoverse 2: Next Generation Datasets for Self-Driving Perception and Forecasting [64.7364925689825]
  Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。 Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。 Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
  論文  参考訳（メタデータ） (2023-01-02T00:36:22Z)
• A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
  Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。 HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。 予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-22T23:49:44Z)
• Manipulating UAV Imagery for Satellite Model Training, Calibration and Testing [4.514832807541816]
  現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。 衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。 本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
  論文  参考訳（メタデータ） (2022-03-22T03:57:02Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
  大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。 私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。 データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
  論文  参考訳（メタデータ） (2020-11-18T09:32:24Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。