論文の概要: Feasibility study of urban flood mapping using traffic signs for route optimization

• arxiv url: http://arxiv.org/abs/2109.11712v1
• Date: Fri, 24 Sep 2021 02:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 01:59:29.536384
• Title: Feasibility study of urban flood mapping using traffic signs for route optimization
• Title（参考訳）: 道路最適化のための交通標識を用いた都市洪水マッピングの可能性に関する研究
• Authors: Bahareh Alizadeh, Diya Li, Zhe Zhang and Amir H. Behzadan
• Abstract要約: 水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。 アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
• 参考スコア（独自算出の注目度）: 9.973554387848257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Water events are the most frequent and costliest climate disasters around the world. In the U.S., an estimated 127 million people who live in coastal areas are at risk of substantial home damage from hurricanes or flooding. In flood emergency management, timely and effective spatial decision-making and intelligent routing depend on flood depth information at a fine spatiotemporal scale. In this paper, crowdsourcing is utilized to collect photos of submerged stop signs, and pair each photo with a pre-flood photo taken at the same location. Each photo pair is then analyzed using deep neural network and image processing to estimate the depth of floodwater in the location of the photo. Generated point-by-point depth data is converted to a flood inundation map and used by an A* search algorithm to determine an optimal flood-free path connecting points of interest. Results provide crucial information to rescue teams and evacuees by enabling effective wayfinding during flooding events.
• Abstract（参考訳）: 水イベントは世界中で最も頻繁に発生し、最もコストのかかる災害である。 米国では、沿岸部に住む推計1億1700万人が、ハリケーンや洪水による住宅被害のリスクにさらされている。 洪水緊急管理において,空間的意思決定とインテリジェントルーティングは,時空間スケールでの洪水深度情報に依存する。 本稿では,クラウドソーシングを利用して,水中の停止標識の写真を収集し,同じ場所で撮影されたプレフロード写真と組み合わせる。 それぞれの写真対は、深層ニューラルネットワークと画像処理を使用して分析され、写真の位置にある洪水水の深さを推定する。 生成したポイントバイポイント深度データは洪水浸水マップに変換され、a*探索アルゴリズムによって最適な洪水のない経路接続点を決定するために使用される。 その結果,浸水時の効果的な経路探索が可能となり,救助チームや避難者にとって重要な情報が得られる。

関連論文リスト

• BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support [34.91321323785173]
  我々はBlessemFlood21データセットを導入し、効率的な洪水検知ツールの研究を刺激する。 この画像は、2021年のエルフトシュタット=ブレセム洪水で取得され、高解像度でジオレファレンスなRGB-NIR画像で構成された。 得られたRGBデータセットでは、画像に詳細な水面を補足し、半教師付きヒト・イン・ザ・ループ技術を用いて取得する。
  論文  参考訳（メタデータ） (2024-07-06T08:58:43Z)
• Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
  本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
  論文  参考訳（メタデータ） (2024-02-26T16:02:15Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping [1.6244541005112747]
  本稿では,深部畳み込みネットワークを用いて,沈み込み交通標識のクラウドソース画像を分析し,高空間分解能で洪水深度を推定する。 米国とカナダの最近の洪水で撮影された写真でモデルをテストすると、平均的な絶対誤差は6.978 in.であり、これは以前の研究と同程度である。
  論文  参考訳（メタデータ） (2022-09-06T18:16:12Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• 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)
• Water level prediction from social media images with a multi-task ranking approach [0.0]
  本稿では,洪水時のソーシャルメディア画像から水深を推定するコンピュータビジョンシステムを提案する。 本稿では,回帰学習とペアランキング損失の両方を用いてモデルを訓練するマルチタスク学習手法を提案する。 提案手法は,11cmの根平均平方誤差を持つ1つのクラウドソース画像から,水位を推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T00:51:29Z)
• Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: a case study of Hurricane Harvey [6.655087292045269]
  ソーシャルメディアは、新しいデータソースとして、洪水モニタリングのためのリアルタイム情報を提供することができる。 近年の研究では,テキストに加えて画像解析による洪水関連記事の抽出に焦点が当てられている。 本稿では,洪水重大度情報を抽出し,マッピングする新しい3段階プロセスを提案する。
  論文  参考訳（メタデータ） (2020-06-21T13:57:42Z)

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。