Fugu-MT 論文翻訳(概要): Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks

論文の概要: Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks

arxiv url: http://arxiv.org/abs/2111.09460v1
Date: Thu, 18 Nov 2021 00:39:48 GMT
ステータス: 処理完了
システム内更新日: 2021-11-19 14:43:20.693676
Title: Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks
Title（参考訳）: ボックス回帰ネットワークに基づく単一SAR画像からの大規模建物の高さ検索
Authors: Yao Sun, Lichao Mou, Yuanyuan Wang, Sina Montazeri, Xiao Xiang Zhu
Abstract要約: 合成開口レーダ(SAR)画像からの建物の高さの検索は,都市部において非常に重要である。本稿では,1つのTerraSAR-Xスポットライトやストリップマップ画像から大規模都市部におけるビルの高さ検索の問題に対処する。
参考スコア（独自算出の注目度）: 21.788338971571736
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Building height retrieval from synthetic aperture radar (SAR) imagery is of great importance for urban applications, yet highly challenging owing to the complexity of SAR data. This paper addresses the issue of building height retrieval in large-scale urban areas from a single TerraSAR-X spotlight or stripmap image. Based on the radar viewing geometry, we propose that this problem can be formulated as a bounding box regression problem and therefore allows for integrating height data from multiple data sources in generating ground truth on a larger scale. We introduce building footprints from geographic information system (GIS) data as complementary information and propose a bounding box regression network that exploits the location relationship between a building's footprint and its bounding box, allowing for fast computation. This is important for large-scale applications. The method is validated on four urban data sets using TerraSAR-X images in both high-resolution spotlight and stripmap modes. Experimental results show that the proposed network can reduce the computation cost significantly while keeping the height accuracy of individual buildings compared to a Faster R-CNN based method. Moreover, we investigate the impact of inaccurate GIS data on our proposed network, and this study shows that the bounding box regression network is robust against positioning errors in GIS data. The proposed method has great potential to be applied to regional or even global scales.
Abstract（参考訳）: 合成開口レーダ(SAR)画像からの高層化は,都市部において非常に重要であるが,SARデータの複雑さのため非常に困難である。本稿では,1つのTerraSAR-Xスポットライトやストリップマップ画像から大規模都市部におけるビルの高さ検索の問題に対処する。レーダの視線幾何学に基づいて,この問題を境界ボックス回帰問題として定式化することにより,複数のデータソースからの高さデータを統合し,より大規模な地上真実を生成することが可能になる。地理情報システム(gis)のデータからビルの足跡を補足情報として紹介し,ビルの足跡とそのバウンディングボックスの位置関係を利用して高速な計算を可能にするバウンディングボックス回帰ネットワークを提案する。これは大規模アプリケーションにとって重要である。高解像度スポットライトとストリップマップモードの両方でTerraSAR-X画像を用いて4つの都市データセット上で検証を行った。実験の結果,提案ネットワークは,r-cnn方式の高速化に比較して,個々の建物の高さ精度を保ちつつ,計算コストを大幅に削減できることがわかった。さらに,提案ネットワークにおける不正確なGISデータの影響について検討し,提案ネットワークはGISデータの位置決め誤差に対して堅牢であることを示す。提案手法は,地域規模やグローバルスケールにも適用できる可能性が非常に高い。

関連論文リスト

CATSNet: a context-aware network for Height Estimation in a Forested Area based on Pol-TomoSAR data [4.9793121278328]
この研究は、CATSNetというコンテキスト対応のディープラーニングベースのソリューションを定義している。畳み込みニューラルネットワークは、パッチベースの情報を活用し、単一のピクセルに注目するのではなく、近隣から特徴を抽出すると考えられる。実験結果から,複数基線(MB)のTtomoSARデータ内のコンテキスト情報を活用することで,従来の手法を超越した性能と能力の両面で,顕著な優位性を示した。
論文参考訳（メタデータ） (2024-03-29T16:27:40Z)
SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文参考訳（メタデータ） (2024-03-11T09:20:40Z)
Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文参考訳（メタデータ） (2024-01-25T07:28:22Z)
Improving NeRF with Height Data for Utilization of GIS Data [0.0]
GIS(Geographic Information System)から得られる高さデータを効果的に活用するために,NeRF(Near Radiance Fields)に基づく手法を提案する。その結果、高速なトレーニング速度で画像レンダリングの精度が向上した。
論文参考訳（メタデータ） (2023-07-15T06:49:09Z)
Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文参考訳（メタデータ） (2023-07-05T18:16:30Z)
Learning Continuous Depth Representation via Geometric Spatial Aggregator [47.1698365486215]
深度マップ超解法(DSR)のための新しい連続深度表現法を提案する。この表現の中心は我々の提案した幾何空間アグリゲータ(GSA)であり、これは任意にアップサンプリングされたターゲットグリッドにより変調された距離場を利用する。また、局所座標間の関数マッピングを構築するための原理的な方法を持つGeoDSRというトランスフォーマースタイルのバックボーンも提示する。
論文参考訳（メタデータ） (2022-12-07T07:48:23Z)
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)
Focusing on Shadows for Predicting Heightmaps from Single Remotely Sensed RGB Images with Deep Learning [3.42658286826597]
本研究では,リモートセンシング画像のシャドウマップを利用したタスク指向ディープラーニングモデルを提案し,その高さマップを算出する。英国マンチェスターの広大なエリアをカバーするデータセットでモデルを検証する。
論文参考訳（メタデータ） (2021-04-22T05:31:13Z)
CG-Net: Conditional GIS-aware Network for Individual Building Segmentation in VHR SAR Images [25.87229252642239]
本稿では,大規模都市部における単一VHR SAR画像からの建物分割の問題点について述べる。我々はGISデータから構築するフットプリントを補完情報として紹介し、新しい条件付きGIS対応ネットワーク(CG-Net)を提案する。提案モデルでは,多段階の視覚的特徴を学習し,SAR画像におけるマスクの予測のための特徴を正規化するために,建築フットプリントを用いる。
論文参考訳（メタデータ） (2020-11-17T01:52:22Z)
Height estimation from single aerial images using a deep ordinal regression network [12.991266182762597]
単体画像からの高度推定の曖昧で未解決な問題に対処する。深層学習、特に深層畳み込みニューラルネットワーク(CNN)の成功により、いくつかの研究は、単一の空中画像から高さ情報を推定することを提案した。本稿では,高さ値を間隔増加間隔に分割し,回帰問題を順序回帰問題に変換することを提案する。
論文参考訳（メタデータ） (2020-06-04T12:03:51Z)
Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。