論文の概要: Semi-supervised Identification and Mapping of Surface Water Extent using
Street-level Monitoring Videos
- arxiv url: http://arxiv.org/abs/2202.00096v1
- Date: Mon, 31 Jan 2022 21:27:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 14:44:34.506866
- Title: Semi-supervised Identification and Mapping of Surface Water Extent using
Street-level Monitoring Videos
- Title（参考訳）: 路面監視ビデオを用いた半教師あり水深同定とマッピング
- Authors: Ruo-Qian Wang, Yangmin Ding
- Abstract要約: 本稿では,斜め監視カメラの映像から表面水深認識のための半教師付きセグメンテーション手法を提案する。
このアルゴリズムは水の境界を決定するのに適し, 監視ビデオの画素のジオレファレンスにモノプロイト法をうまく適用した。
この研究のワークフローと手法は、他の街路面や地表面のプロセスを研究する大きな可能性を秘めている。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Urban flooding is becoming a common and devastating hazard to cause life loss
and economic damage. Monitoring and understanding urban flooding in the local
scale is a challenging task due to the complicated urban landscape, intricate
hydraulic process, and the lack of high-quality and resolution data. The
emerging smart city technology such as monitoring cameras provides an
unprecedented opportunity to address the data issue. However, estimating the
water accumulation on the land surface based on the monitoring footage is
unreliable using the traditional segmentation technique because the boundary of
the water accumulation, under the influence of varying weather, background, and
illumination, is usually too fuzzy to identify, and the oblique angle and image
distortion in the video monitoring data prevents georeferencing and
object-based measurements. This paper presents a novel semi-supervised
segmentation scheme for surface water extent recognition from the footage of an
oblique monitoring camera. The semi-supervised segmentation algorithm was found
suitable to determine the water boundary and the monoplotting method was
successfully applied to georeference the pixels of the monitoring video for the
virtual quantification of the local drainage process. The correlation and
mechanism-based analysis demonstrates the value of the proposed method in
advancing the understanding of local drainage hydraulics. The workflow and
created methods in this study has a great potential to study other street-level
and earth surface processes.
- Abstract（参考訳）: 都市洪水は、生命の喪失と経済的な被害を引き起こすため、一般的で破壊的な危険となっている。
地域規模での都市洪水のモニタリングと理解は、複雑な都市景観、複雑な水理過程、高品質で解像度の高いデータがないために難しい課題である。
監視カメラのような新しいスマートシティ技術は、データ問題に対処する前例のない機会を提供する。
しかし, 従来のセグメンテーション手法では, 各種の天候, 背景, 照明の影響下での水分蓄積の境界が曖昧であり, 映像監視データの斜め角度や画像歪みがジオリファレンスやオブジェクトベース計測を妨げているため, 従来のセグメンテーション手法では土地表面の水分蓄積を推定することは信頼できない。
本稿では,斜め監視カメラの映像から表面水深認識を行うための,新しい半教師付きセグメンテーション方式を提案する。
半教師付きセグメンテーションアルゴリズムは水の境界を決定するのに適し, 局所排水過程の仮想定量化のために, 監視ビデオの画素のジオレファレンスにモノプロイト法を適用した。
この相関と機構に基づく解析は, 局所排水水理の理解を深める上で, 提案手法の意義を示すものである。
この研究のワークフローと手法は、他の街路面や地表面のプロセスを研究する大きな可能性を秘めている。
関連論文リスト
- Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳（メタデータ） (2023-11-15T18:49:29Z) - 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) - The Drunkard's Odometry: Estimating Camera Motion in Deforming Scenes [79.00228778543553]
このデータセットは、3Dシーンの中で地上の真実を語る最初の大規模なカメラ軌道である。
リアルな3Dビルディングのシミュレーションでは、膨大な量のデータと地上の真実のラベルが得られます。
本稿では,光学的フロー推定を剛体カメラ運動に分解するDrunkard's Odometryと呼ばれる,変形可能な新しいオドメトリー法を提案する。
論文 参考訳（メタデータ） (2023-06-29T13:09:31Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - A Graph-Based Modeling Framework for Tracing Hydrological Pollutant
Transport in Surface Waters [0.0]
本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。
グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。
我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
論文 参考訳（メタデータ） (2023-02-10T00:30:38Z) - 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) - Censored Deep Reinforcement Patrolling with Information Criterion for
Monitoring Large Water Resources using Autonomous Surface Vehicles [0.0]
本研究は,自律走行車を用いた大規模水資源モニタリングの枠組みを提案する。
データに対する不確実性低減の尺度として情報ゲインを用いて,モデルに基づく障害物回避のためのQ-Censoring機構によって改良されたディープQ-ラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-12T07:33:46Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models [0.0]
機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。
データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
論文 参考訳（メタデータ） (2021-12-22T11:25:23Z) - Breaking the Limits of Remote Sensing by Simulation and Deep Learning
for Flood and Debris Flow Mapping [13.167695669500391]
リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。
水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。
このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
論文 参考訳（メタデータ） (2020-06-09T10:59:15Z)
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。