論文の概要: Continental-Scale Building Detection from High Resolution Satellite Imagery

• arxiv url: http://arxiv.org/abs/2107.12283v1
• Date: Mon, 26 Jul 2021 15:48:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 18:46:48.794314
• Title: Continental-Scale Building Detection from High Resolution Satellite Imagery
• Title（参考訳）: 高解像度衛星画像からの大陸規模の建物検出
• Authors: Wojciech Sirko, Sergii Kashubin, Marvin Ritter, Abigail Annkah, Yasser Salah Edine Bouchareb, Yann Dauphin, Daniel Keysers, Maxim Neumann, Moustapha Cisse, John Quinn
• Abstract要約: アーキテクチャ,損失関数,正規化,事前学習,自己学習,後処理のバリエーションについて検討し,インスタンスセグメンテーション性能を向上する。 アフリカ全土の100万枚の衛星画像のデータセットを用いて、手動でラベル付けされた建築事例を含む実験が行われた。 本稿では,このモデルを用いた建物検出の性能向上のための新しい手法について報告する。
• 参考スコア（独自算出の注目度）: 5.56205296867374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the locations and footprints of buildings is vital for many practical and scientific purposes. Such information can be particularly useful in developing regions where alternative data sources may be scarce. In this work, we describe a model training pipeline for detecting buildings across the entire continent of Africa, using 50 cm satellite imagery. Starting with the U-Net model, widely used in satellite image analysis, we study variations in architecture, loss functions, regularization, pre-training, self-training and post-processing that increase instance segmentation performance. Experiments were carried out using a dataset of 100k satellite images across Africa containing 1.75M manually labelled building instances, and further datasets for pre-training and self-training. We report novel methods for improving performance of building detection with this type of model, including the use of mixup (mAP +0.12) and self-training with soft KL loss (mAP +0.06). The resulting pipeline obtains good results even on a wide variety of challenging rural and urban contexts, and was used to create the Open Buildings dataset of 516M Africa-wide detected footprints.
• Abstract（参考訳）: 建物の場所と足跡を特定することは、多くの実践的および科学的目的に不可欠である。 このような情報は、代替データソースが乏しい発展途上国で特に有用である。 本稿では,50cmの衛星画像を用いて,アフリカ大陸全域の建物を検出するためのモデルトレーニングパイプラインについて述べる。 衛星画像解析で広く使用されているu-netモデルから始め,アーキテクチャ,損失関数,正規化,事前トレーニング,自己学習,インスタンスセグメンテーション性能向上のための後処理などについて検討した。 1.75mの手動ラベル付きビルインスタンスを含むアフリカ全土の100k衛星画像のデータセットと、事前トレーニングとセルフトレーニングのためのさらなるデータセットを用いて実験を行った。 本報告では,MAP+0.12とソフトKL損失による自己学習(mAP+0.06)を含む,この種のモデルによる建物検出性能の向上手法について述べる。 その結果得られたパイプラインは、農村や都市のさまざまな状況でも良い結果を得、アフリカ全域で検出された足跡516mのオープンビルディングデータセットの作成に使用された。

関連論文リスト

• Classification of Geographical Land Structure Using Convolution Neural Network and Transfer Learning [1.024113475677323]
  本研究は, 都市計画・開発, 環境モニタリング, 災害管理など, 一連の応用を創出することができる。 本稿では、地理的な土地構造を分類するプロセスを自動化するための深層学習に基づくアプローチを開発した。
  論文  参考訳（メタデータ） (2024-11-19T11:01:30Z)
• 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)
• GBSS:a global building semantic segmentation dataset for large-scale remote sensing building extraction [10.39943244036649]
  我々は6大陸から116.9kのサンプル(約742kの建物)からなるグローバル・ビルディング・セマンティック・データセット(データセットを公開予定)を構築した。 サイズとスタイルの点で、ビルドサンプルには大きなバリエーションがあるため、セマンティックセグメンテーションモデルの構築の一般化と堅牢性を評価する上で、データセットはより難しいベンチマークになり得る。
  論文  参考訳（メタデータ） (2024-01-02T12:13:35Z)
• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network [18.365220543556113]
  ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。 本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。 その結果、提案したUANetは、他の最先端アルゴリズムよりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-23T12:42:15Z)
• Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
  視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。 具体的には、Webで収集したCoyo-700Mデータセットを利用する。 我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
  論文  参考訳（メタデータ） (2023-05-24T15:33:46Z)
• 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)
• A diverse large-scale building dataset and a novel plug-and-play domain generalization method for building extraction [2.578242050187029]
  リモートセンシング画像からのビルディング抽出の開発を容易にするために,新しいビルディングデータセットを導入し,新しい領域一般化手法を提案する。 WHU-Mixビルディングデータセットは、世界中から収集された43,727の多様な画像を含むトレーニング/検証セットと、5大陸5都市からの8402の画像を含むテストセットで構成されている。 建物抽出モデルの一般化能力をさらに向上するために,バッチ型混合(BSM)というドメイン一般化手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T01:43:13Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• 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)
• Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
  航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。 提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
  論文  参考訳（メタデータ） (2021-02-24T11:20:55Z)

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。