論文の概要: Buildings Classification using Very High Resolution Satellite Imagery
- arxiv url: http://arxiv.org/abs/2111.14650v1
- Date: Mon, 29 Nov 2021 16:07:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:36:38.619582
- Title: Buildings Classification using Very High Resolution Satellite Imagery
- Title（参考訳）: 超高解像度衛星画像を用いた建物分類
- Authors: Mohammad Dimassi, Abed Ellatif Samhat, Mohammad Zaraket, Jamal Haidar,
Mustafa Shukor, Ali J. Ghandour
- Abstract要約: 住宅・非住宅の建物被害評価(BDA)とビルタイプ分類(BTC)に着目した。
まず,意味的セグメンテーションモデルを用いて建物の足跡を抽出する2段階のディープラーニング手法を提案する。
提案手法をF1スコアの精度と精度を示す2つのアプリケーションで検証する。
- 参考スコア（独自算出の注目度）: 0.769672852567215
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Buildings classification using satellite images is becoming more important
for several applications such as damage assessment, resource allocation, and
population estimation. We focus, in this work, on buildings damage assessment
(BDA) and buildings type classification (BTC) of residential and
non-residential buildings. We propose to rely solely on RGB satellite images
and follow a 2-stage deep learning-based approach, where first, buildings'
footprints are extracted using a semantic segmentation model, followed by
classification of the cropped images. Due to the lack of an appropriate dataset
for the residential/non-residential building classification, we introduce a new
dataset of high-resolution satellite images. We conduct extensive experiments
to select the best hyper-parameters, model architecture, and training paradigm,
and we propose a new transfer learning-based approach that outperforms
classical methods. Finally, we validate the proposed approach on two
applications showing excellent accuracy and F1-score metrics.
- Abstract（参考訳）: 衛星画像を用いた建物の分類は, 被害評価, 資源配分, 人口推定などの応用において重要になっている。
本研究は, 住宅・非住宅の建物被害評価(BDA)とビルタイプ分類(BTC)に着目した。
本稿では,rgb衛星画像のみを頼りに2段階の深層学習に基づくアプローチを提案し,まず,意味的セグメンテーションモデルを用いて建物の足跡を抽出し,次に切り抜いた画像の分類を行う。
住宅・非住宅ビル分類に適切なデータセットがないため,高解像度衛星画像の新しいデータセットを導入する。
我々は,最も優れたハイパーパラメータ,モデルアーキテクチャ,トレーニングパラダイムを選択するための広範な実験を行い,古典的手法を上回る新しいトランスファー学習ベースのアプローチを提案する。
最後に、優れた精度とf1-scoreメトリックを示す2つのアプリケーションについて提案手法を検証する。
関連論文リスト
- SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - UB-FineNet: Urban Building Fine-grained Classification Network for
Open-access Satellite Images [7.435848987082052]
オープンアクセス衛星画像を用いた都市建物のきめ細かい分類のためのディープ・ネットワーク・アプローチを提案する。
クラス不均衡の問題を緩和するために,カテゴリ情報バランスモジュール (CIBM) とコントラストスーパービジョン (CS) 技術を用いた新たなきめ細かい分類網を提案する。
11の細い建物を持つ香港のデータセットの実験では、Top-1の平均精度が60.45%の有望な分類結果が示された。
論文 参考訳（メタデータ） (2024-03-04T15:40:31Z) - Symmetrical Bidirectional Knowledge Alignment for Zero-Shot Sketch-Based
Image Retrieval [69.46139774646308]
本稿ではゼロショットスケッチベース画像検索(ZS-SBIR)の問題点について検討する。
目に見えないカテゴリのスケッチをクエリとして使用して、同じカテゴリのイメージにマッチさせることが目的だ。
ゼロショットスケッチに基づく画像検索(SBKA)のための新しい対称双方向知識アライメントを提案する。
論文 参考訳（メタデータ） (2023-12-16T04:50:34Z) - Learning Efficient Unsupervised Satellite Image-based Building Damage
Detection [43.06758527206676]
建物被害検出(BDD)手法は, 常に, 建物とその条件に対する, 労働集約的なピクセルレベルのアノテーションを必要とする。
本稿では,未解決の衛星画像ペアのみを提供するU-BDDの挑戦的かつ実践的なシナリオについて検討する。
衛星画像に関連する領域固有の問題に対処することで、U-BDDベースラインを改善する、新しい自己教師型フレームワークU-BDD++を提案する。
論文 参考訳（メタデータ） (2023-12-04T02:20:35Z) - Fine-grained building roof instance segmentation based on domain adapted
pretraining and composite dual-backbone [13.09940764764909]
本稿では,高解像度光衛星画像を用いた個々の建物の意味解釈を実現するための枠組みを提案する。
具体的には、レバレッジされたドメイン適応事前学習戦略と複合二重バックボーンは、非ネイティブな特徴学習を大いに促進する。
その結果,本手法は2023年のIEEE GRSS Data Fusion Contestの第一位に位置づけられた。
論文 参考訳（メタデータ） (2023-08-10T05:54:57Z) - 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) - A Contrastive Learning Approach to Auroral Identification and
Classification [0.8399688944263843]
オーロラ画像分類の課題に対する教師なし学習の新たな応用法を提案する。
オーロラ画像の表現を学習するためのコントラスト学習(SimCLR)アルゴリズムを改良し,適応する。
当社のアプローチは、運用目的の確立されたしきい値を超え、デプロイメントと利用の準備ができていることを実証しています。
論文 参考訳（メタデータ） (2021-09-28T17:51:25Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z) - A Novel Spatial-Spectral Framework for the Classification of
Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。
提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文 参考訳（メタデータ） (2020-07-22T16:12:08Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。