論文の概要: GRASP EARTH: Intuitive Software for Discovering Changes on the Planet
- arxiv url: http://arxiv.org/abs/2203.00955v1
- Date: Wed, 2 Mar 2022 09:08:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 02:08:30.021155
- Title: GRASP EARTH: Intuitive Software for Discovering Changes on the Planet
- Title(参考訳): GRASP EARTH:惑星の変化を発見するための直感的ソフトウェア
- Authors: Waku Hatakeyama, Shirou Kawakita, Ryohei Izawa, Masanari Kimura
- Abstract要約: Google Earth Engineをベースとした簡単な変更検出アプリケーションであるGRASP EARTHを開発した。
GRASP EARTHは衛星画像を容易に処理でき、災害監視や都市開発監視に利用されています。
- 参考スコア(独自算出の注目度): 1.7969777786551426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting changes on the Earth, such as urban development, deforestation, or
natural disaster, is one of the research fields that is attracting a great deal
of attention. One promising tool to solve these problems is satellite imagery.
However, satellite images require huge amount of storage, therefore users are
required to set Area of Interests first, which was not suitable for detecting
potential areas for disaster or development. To tackle with this problem, we
develop the novel tool, namely GRASP EARTH, which is the simple change
detection application based on Google Earth Engine. GRASP EARTH allows us to
handle satellite imagery easily and it has used for disaster monitoring and
urban development monitoring.
- Abstract(参考訳): 都市開発、森林破壊、自然災害などの地球上の変化を検出することは、多くの注目を集めている研究分野の1つである。
これらの問題を解決する有望なツールの一つが衛星画像である。
しかし、衛星画像は大量のストレージを必要とするため、利用者は災害や開発の可能性を検出するのに適さないエリア・オブ・関心を最初に設定する必要がある。
この問題に対処するため,Google Earth Engineをベースとした簡易な変更検出アプリケーションGRASP EARTHを開発した。
GRASP EARTHは衛星画像を容易に処理でき、災害監視や都市開発監視に利用されています。
関連論文リスト
- 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) - You Only Crash Once: Improved Object Detection for Real-Time,
Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous
Planetary Landings [7.201292864036088]
危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。
視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。
深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
論文 参考訳(メタデータ) (2023-03-08T21:11:51Z) - Tracking Urbanization in Developing Regions with Remote Sensing
Spatial-Temporal Super-Resolution [82.50301442891602]
本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。
提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
論文 参考訳(メタデータ) (2022-04-04T17:21:20Z) - 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) - Real-time Geo-localization Using Satellite Imagery and Topography for
Unmanned Aerial Vehicles [18.71806336611299]
本稿では,UAV上の軽量組込みシステムにおいて,シーン変更と実用性に信頼性のあるフレームワークを提案する。
このフレームワークは、オフラインデータベースの準備とオンライン推論の2つのステージで構成されている。
2つの異なるUAVプラットフォーム上でのイメージベースローカライゼーションのフィールド実験を行い、その結果を検証した。
論文 参考訳(メタデータ) (2021-08-07T01:47:19Z) - Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural
Networks [2.7716102039510564]
本論文では,深層学習技術を用いた衛星画像の航空機検出に焦点をあてる。
本稿では,航空機検出にYOLO深層学習フレームワークを用いた。
改良されたモデルは小さい、回転する、および密集した目的がリアルタイムの条件を満たす異なった未知のイメージのよい正確さそして性能を示します。
論文 参考訳(メタデータ) (2021-04-21T18:13:16Z) - Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization [60.690929022840685]
合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
地球観測における画像と画像の翻訳を研究するために、25k以上の画像ペアのデータセットを公開する。
論文 参考訳(メタデータ) (2021-04-10T15:00:15Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z) - Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions [0.0]
本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
論文 参考訳(メタデータ) (2020-09-01T02:11:14Z) - SCRDet++: Detecting Small, Cluttered and Rotated Objects via
Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
小さくて散らばった物体は実世界では一般的であり、検出は困難である。
本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。
機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
論文 参考訳(メタデータ) (2020-04-28T06:03:54Z)
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。