論文の概要: HyperionSolarNet: Solar Panel Detection from Aerial Images
- arxiv url: http://arxiv.org/abs/2201.02107v1
- Date: Thu, 6 Jan 2022 15:43:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 17:02:19.081247
- Title: HyperionSolarNet: Solar Panel Detection from Aerial Images
- Title（参考訳）: HyperionSolarNet:空中画像からのソーラーパネル検出
- Authors: Poonam Parhar, Ryan Sawasaki, Alberto Todeschini, Colorado Reed,
Hossein Vahabi, Nathan Nusaputra, Felipe Vergara
- Abstract要約: 深層学習法を用いて,空中画像を用いたソーラーパネル位置とその表面積の自動検出を行う。
我々の研究は、ソーラーパネルの検出に効率的でスケーラブルな方法を提供し、分類に0.96の精度とセグメンテーション性能に0.82のIoUスコアを達成している。
- 参考スコア（独自算出の注目度）: 0.7157957528875099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the effects of global climate change impacting the world, collective
efforts are needed to reduce greenhouse gas emissions. The energy sector is the
single largest contributor to climate change and many efforts are focused on
reducing dependence on carbon-emitting power plants and moving to renewable
energy sources, such as solar power. A comprehensive database of the location
of solar panels is important to assist analysts and policymakers in defining
strategies for further expansion of solar energy. In this paper we focus on
creating a world map of solar panels. We identify locations and total surface
area of solar panels within a given geographic area. We use deep learning
methods for automated detection of solar panel locations and their surface area
using aerial imagery. The framework, which consists of a two-branch model using
an image classifier in tandem with a semantic segmentation model, is trained on
our created dataset of satellite images. Our work provides an efficient and
scalable method for detecting solar panels, achieving an accuracy of 0.96 for
classification and an IoU score of 0.82 for segmentation performance.
- Abstract（参考訳）: 地球温暖化の影響により、温室効果ガス排出量の削減に集団的な努力が必要である。
エネルギー部門は気候変動の最大の貢献者であり、多くの取り組みは二酸化炭素発電の発電所への依存を減らし、太陽光発電のような再生可能エネルギー源に移行することに集中している。
ソーラーパネルの位置に関する包括的なデータベースは、アナリストや政策立案者が太陽エネルギーをさらに拡大するための戦略を定義するのを助けるために重要である。
本稿では,ソーラーパネルの世界地図の作成に焦点をあてる。
特定の地理的領域内のソーラーパネルの位置と表面積を識別する。
深層学習法を用いて,空中画像を用いたソーラーパネル位置とその表面積の自動検出を行う。
本フレームワークは,タンデムのイメージ分類器とセマンティックセグメンテーションモデルを用いた2分岐モデルで構成され,衛星画像のデータセットに基づいて訓練を行った。
本研究は,ソーラーパネルの検出に効率的でスケーラブルな手法を提供し,分類精度0.96,セグメンテーション性能0.82のiouスコアを実現する。
関連論文リスト
- Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping [1.9488614430966358]
GoogleのSolar APIは、航空画像から太陽ポテンシャルを推定する。
本稿では,衛星画像を用いたAPIのリーチ拡大を提案する。
我々のモデルは、衛星と空中のデータセットに基づいて訓練され、25cmのDSMと屋根のセグメントを生成します。
論文 参考訳（メタデータ） (2024-08-26T16:34:13Z) - GloSoFarID: Global multispectral dataset for Solar Farm IDentification in satellite imagery [1.2021565114959365]
本研究は、ソーラーパネルファームのマルチスペクトル衛星画像の包括的グローバルデータセットを初めて開発する。
これは、世界中のソーラーパネルファームの展開と分布を正確にマッピングし分析できる、堅牢な機械学習モデルのトレーニング基盤を形成することを目的としている。
論文 参考訳（メタデータ） (2024-04-08T04:10:50Z) - SolarFormer: Multi-scale Transformer for Solar PV Profiling [7.686020113962378]
SolarFormerは、ソーラーパネルを空中画像から切り離し、その位置と大きさに関する洞察を提供するように設計されている。
本モデルでは,低レベル機能を活用し,太陽PV設置の局所化を強化するインスタンスクエリ機構を組み込んだ。
我々の実験は、我々のモデルが最先端のモデルと一致しているか、あるいは超えていることを一貫して示している。
論文 参考訳（メタデータ） (2023-10-30T22:22:01Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Data-driven soiling detection in PV modules [58.6906336996604]
太陽光発電モジュールの土質比を推定する問題について検討した。
私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。
実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-30T14:35:47Z) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - An Artificial Intelligence Dataset for Solar Energy Locations in India [6.454602468926006]
インドは2030年までに300ギガワットの太陽エネルギーを投入するという野心的な目標を掲げている。
土地利用プランナーは、PVインフラの最新の正確な地理空間情報にアクセスする必要がある。
インド全土の実用規模のソーラープロジェクトを地図化するための空間的明示的な機械学習モデルを構築した。
論文 参考訳（メタデータ） (2022-01-31T23:53:19Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
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。