論文の概要: Power Plant Classification from Remote Imaging with Deep Learning
- arxiv url: http://arxiv.org/abs/2107.10894v1
- Date: Thu, 22 Jul 2021 19:36:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 01:05:23.231462
- Title: Power Plant Classification from Remote Imaging with Deep Learning
- Title（参考訳）: 深層学習を用いたリモートイメージングによる発電所の分類
- Authors: Michael Mommert, Linus Scheibenreif, Jo\"elle Hanna, Damian Borth
- Abstract要約: 本研究では,Sentinel-2画像データから異なるタイプの発電プラントを分類することに焦点を当てる。
ResNet-50ディープラーニングモデルを用いて、10種類の発電所タイプとバックグラウンドクラスを区別することにより、平均90.0%の精度を達成することができる。
- 参考スコア（独自算出の注目度）: 1.7491858164568672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite remote imaging enables the detailed study of land use patterns on a
global scale. We investigate the possibility to improve the information content
of traditional land use classification by identifying the nature of industrial
sites from medium-resolution remote sensing images. In this work, we focus on
classifying different types of power plants from Sentinel-2 imaging data. Using
a ResNet-50 deep learning model, we are able to achieve a mean accuracy of
90.0% in distinguishing 10 different power plant types and a background class.
Furthermore, we are able to identify the cooling mechanisms utilized in thermal
power plants with a mean accuracy of 87.5%. Our results enable us to
qualitatively investigate the energy mix from Sentinel-2 imaging data, and
prove the feasibility to classify industrial sites on a global scale from
freely available satellite imagery.
- Abstract（参考訳）: 衛星リモートイメージングは、地球規模での土地利用パターンの詳細な研究を可能にする。
中高分解能リモートセンシング画像から産業用地の特徴を特定することにより、従来の土地利用分類の情報内容を改善する可能性を検討する。
本研究では,Sentinel-2画像データから異なるタイプの発電所を分類することに焦点を当てる。
ResNet-50ディープラーニングモデルを用いて、10種類の発電所タイプとバックグラウンドクラスを区別して平均精度90.0%を達成することができる。
さらに,火力発電プラントで使用される冷却機構を87.5%の精度で識別できる。
本研究では,Sentinel-2画像データからのエネルギー混合を質的に検討し,衛星画像から世界規模で産業現場の分類が可能であることを実証した。
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) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - 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) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Generating Synthetic Multispectral Satellite Imagery from Sentinel-2 [3.4797121357690153]
本研究では,Sentinel-2データに基づくマルチ解像度マルチスペクトル画像を生成する生成モデルを提案する。
得られた合成画像は、人間によって実際のものと区別できない。
論文 参考訳（メタデータ） (2020-12-05T19:41:33Z) - Characterization of Industrial Smoke Plumes from Remote Sensing Data [1.2205797997133396]
本研究では,ESAのSentinel-2衛星から産業用煙管を検出し定量化する可能性について検討する。
改良されたResNet-50を使用して、94.3%の精度で異なる大きさのスモークプラムを検出することができる。
以上の結果から,世界中の産業プラントにおいて,煙活動のレベルを確実に検出し,定性的に推定することが可能となった。
論文 参考訳（メタデータ） (2020-11-23T11:54:32Z) - Detecting the Presence of Vehicles and Equipment in SAR Imagery Using
Image Texture Features [0.0]
低解像度SAR画像における人為的・建設的活動のモニタリング手法を提案する。
我々のデータソースは欧州宇宙機関(ESA)のSentinel-l衛星で、12日間のリビジットレートで地球をカバーしています。
探索的データセットを用いて、サポートベクターマシン(SVM)、ランダムなバイナリフォレスト、完全に接続されたニューラルネットワークの分類を訓練した。
論文 参考訳（メタデータ） (2020-09-10T13:59:52Z) - Remote Sensing Image Scene Classification Meets Deep Learning:
Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。
リモートセンシング画像シーンの分類と調査の主な課題について論じる。
リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
論文 参考訳（メタデータ） (2020-05-03T14:18:00Z) - Circumventing Outliers of AutoAugment with Knowledge Distillation [102.25991455094832]
AutoAugmentは多くの視覚タスクの精度を向上させる強力なアルゴリズムである。
本論文は作業機構を深く掘り下げ,AutoAugmentがトレーニング画像から識別情報の一部を除去できることを明らかにする。
教師モデルの出力に言及した知識蒸留を用いて,ネットワークトレーニングの指導を行う。
論文 参考訳（メタデータ） (2020-03-25T11:51:41Z)
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。