論文の概要: Mapping illegal waste dumping sites with neural-network classification
of satellite imagery
- arxiv url: http://arxiv.org/abs/2110.08599v1
- Date: Sat, 16 Oct 2021 16:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 11:35:21.332895
- Title: Mapping illegal waste dumping sites with neural-network classification
of satellite imagery
- Title（参考訳）: 衛星画像のニューラルネットワーク分類による不法投棄現場のマッピング
- Authors: Devesa, Maria Roberta and Vazquez Brust, H. Antonio
- Abstract要約: 近年では、不法廃棄物投棄施設の社会的・環境的影響が深刻化しており、グローバル・サウスの都市が直面している最も深刻な問題の一つとなっている。
このケーススタディは、Dymaxion LabsとFundaci'on Bunge y Bornが共同でこの技術を活用して、この地域の不法廃棄物処理現場の潜在的な場所を網羅した地図を作成するための成果である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public health and habitat quality are crucial goals of urban planning. In
recent years, the severe social and environmental impact of illegal waste
dumping sites has made them one of the most serious problems faced by cities in
the Global South, in a context of scarce information available for decision
making. To help identify the location of dumping sites and track their
evolution over time we adopt a data-driven model from the machine learning
domain, analyzing satellite images. This allows us to take advantage of the
increasing availability of geo-spatial open-data, high-resolution satellite
imagery, and open source tools to train machine learning algorithms with a
small set of known waste dumping sites in Buenos Aires, and then predict the
location of other sites over vast areas at high speed and low cost. This case
study shows the results of a collaboration between Dymaxion Labs and
Fundaci\'on Bunge y Born to harness this technique in order to create a
comprehensive map of potential locations of illegal waste dumping sites in the
region.
- Abstract（参考訳）: 公衆衛生と居住環境の質は都市計画の重要な目標である。
近年、不法投棄サイトによる社会的・環境的な影響が深刻化しており、意思決定に利用可能な情報が少ない状況下で、世界南部の都市が直面する最も深刻な問題となっている。
ダンピングサイトの位置を特定し、時間とともにその進化を追跡するために、機械学習ドメインからデータ駆動モデルを採用し、衛星画像を分析する。
これにより、地理空間的なオープンデータ、高解像度衛星画像、およびブエノスアイレスの小さなゴミ捨て場セットで機械学習アルゴリズムを訓練するためのオープンソースツールの可用性が高まり、そして、高速かつ低コストで、広範囲にわたる他のサイトの位置を予測することができます。
本研究は, dymaxion labsとfundaci\'on bunge y bornの協力により, この手法を活用し, 地域における不法投棄施設の立地を総合的に把握したものである。
関連論文リスト
- Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。
その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。
従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
論文 参考訳（メタデータ） (2024-05-28T01:34:35Z) - Solid Waste Detection, Monitoring and Mapping in Remote Sensing Images: A Survey [0.8499685241219366]
不適切に管理された埋立地は、浸透雨水を介して土壌と地下水を汚染し、動物と人間の両方に脅威を与える。
現場検査のような伝統的な埋立地識別アプローチは、時間と費用がかかる。
地球観測衛星(EO)は、センサーと撮像機能を備えた衛星で、数十年にわたって高解像度のデータを提供してきた。
論文 参考訳（メタデータ） (2024-02-14T10:24:04Z) - Event detection from novel data sources: Leveraging satellite imagery
alongside GPS traces [0.9075220953694432]
本稿では,衛星画像とプライバシ強化モバイルデータを組み合わせた新しいデータ融合手法を提案する。
提案手法の適用例としては,農村部における小規模災害(竜巻,山火事,洪水など)の検出,遠隔地における失われたハイカーの捜索・救助活動の強化,戦時国家における活発な紛争地域と人口移動の特定などが挙げられる。
論文 参考訳（メタデータ） (2024-01-19T18:59:37Z) - Natural Disaster Analysis using Satellite Imagery and Social-Media Data
for Emergency Response Situations [0.0]
この研究は、衛星画像分析とTwitterデータ分析という2つの段階に分けられている。
第1段階は、災害前の衛星画像解析である。
第2段階は、災害状況に関する重要な情報で地域をマッピングすることに焦点を当てている。
論文 参考訳（メタデータ） (2023-11-16T15:01:26Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - 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) - Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image
Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。
我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文 参考訳（メタデータ） (2022-03-26T20:10:38Z) - 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) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Mining and Tailings Dam Detection In Satellite Imagery Using Deep
Learning [1.8047694351309205]
この研究は、クラウドコンピューティング、フリーのオープンソースソフトウェア、そして実際の大規模問題を分析するためのディープラーニングメソッドの組み合わせを探求する。
未登録の鉱石鉱山を特定し、ブラジル領の広い地域でダムを尾行することを目的としている。
このアプローチの有効性は、公式な採掘権を持たない263の鉱山の発見によって実証される。
論文 参考訳（メタデータ） (2020-07-02T13:08:39Z)
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。