論文の概要: Coast Sargassum Level Estimation from Smartphone Pictures
- arxiv url: http://arxiv.org/abs/2109.10390v1
- Date: Tue, 21 Sep 2021 18:21:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:46:42.252118
- Title: Coast Sargassum Level Estimation from Smartphone Pictures
- Title（参考訳）: スマートフォン画像からの沿岸サルガッサムレベル推定
- Authors: Uriarte-Arcia Abril Valeria, Vasquez-Gomez Juan Irving, Taud Hind,
Garcia-Floriano Andres, Ventura-Molina Elias
- Abstract要約: メキシコのカリブ海で2種の海藻Sargassum natansとSargassum Fluitansが発見された。
この大量の藻の蓄積は環境と経済に大きな影響を与えた。
そこで本研究では,地上レベルのスマートフォン写真に基づいて,サルガッサムの量を推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since 2011, significant and atypical arrival of two species of surface
dwelling algae, Sargassum natans and Sargassum Fluitans, have been detected in
the Mexican Caribbean. This massive accumulation of algae has had a great
environmental and economic impact. Therefore, for the government, ecologists,
and local businesses, it is important to keep track of the amount of sargassum
that arrives on the Caribbean coast. High-resolution satellite imagery is
expensive or may be time delayed. Therefore, we propose to estimate the amount
of sargassum based on ground-level smartphone photographs. From the computer
vision perspective, the problem is quite difficult since no information about
the 3D world is provided, in consequence, we have to model it as a
classification problem, where a set of five labels define the amount. For this
purpose, we have built a dataset with more than one thousand examples from
public forums such as Facebook or Instagram and we have tested several
state-of-the-art convolutional networks. As a result, the VGG network trained
under fine-tuning showed the best performance. Even though the reached accuracy
could be improved with more examples, the current prediction distribution is
narrow, so the predictions are adequate for keeping a record and taking quick
ecological actions.
- Abstract（参考訳）: 2011年以降、メキシコカリブ海でサルガッサム・ナタンとサルガッサム・フルリタンという2種の表層居住藻類の有意かつ非定型的な出現が検出されている。
この大量の藻の蓄積は環境と経済に大きな影響を与えた。
そのため, 政府, 生態学者, 地方企業にとって, カリブ海沿岸に流入するサルガッサムの量を追跡することが重要である。
高解像度の衛星画像は高価か、遅れる可能性がある。
そこで本稿では,地上レベルのスマートフォン写真からサルガッサム量を推定する。
コンピュータビジョンの観点からは,3次元世界に関する情報は提供されないため,5つのラベルセットが定義する分類問題としてモデル化する必要があるため,この問題は非常に困難である。
この目的のために、facebookやinstagramなどの公開フォーラムから1000以上のサンプルを集めたデータセットを構築し、最先端の畳み込みネットワークをいくつかテストしました。
その結果、微調整下で訓練されたVGGネットワークが最も優れた性能を示した。
より多くの例で到達した精度は向上するが、現在の予測分布は狭く、予測は記録保持や生態的行動の迅速化に適している。
関連論文リスト
- Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳（メタデータ） (2024-09-27T09:51:25Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳（メタデータ） (2023-11-02T02:00:27Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-12-27T20:56:34Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳（メタデータ） (2022-01-12T14:48:11Z) - IS-COUNT: Large-scale Object Counting from Satellite Images with
Covariate-based Importance Sampling [90.97859312029615]
本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。
提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-12-16T18:59:29Z) - A CNN based method for Sub-pixel Urban Land Cover Classification using
Landsat-5 TM and Resourcesat-1 LISS-IV Imagery [0.0]
本稿では,Landsat-5 TMとResourcesat-1 LISS-IVの時間重なりを利用したサブピクセル分類法を提案する。
畳み込みニューラルネットワークを用いて30m Landsat-5 TMデータから土地被覆マップを推定する。
論文 参考訳（メタデータ） (2021-12-16T12:48:37Z) - 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) - EarthNet2021: A large-scale dataset and challenge for Earth surface
forecasting as a guided video prediction task [12.795776149170978]
将来の気象条件を考慮した衛星画像の予測タスクとして地球表面予測を枠組み化します。
earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。
結果予測は、数値モデルに見られる空間分解能を大幅に改善します。
論文 参考訳（メタデータ） (2021-04-16T09:47:30Z) - Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images [0.0]
2019年1月25日、ブラジルのブルマディンホにあるC'orrego do Feijao鉄鉱石鉱山の尾化ダムが倒壊した。
本研究は, セチネル2衛星画像を用いて, 浸水地域をマッピングし, ダム崩壊による土地利用状況と土地被覆状況を評価する。
論文 参考訳（メタデータ） (2021-01-30T11:35:47Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z)
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。