論文の概要: Tracking Urbanization in Developing Regions with Remote Sensing Spatial-Temporal Super-Resolution

• arxiv url: http://arxiv.org/abs/2204.01736v1
• Date: Mon, 4 Apr 2022 17:21:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 01:21:59.223303
• Title: Tracking Urbanization in Developing Regions with Remote Sensing Spatial-Temporal Super-Resolution
• Title（参考訳）: リモートセンシングによる発展途上国の都市化の追跡
• Authors: Yutong He, William Zhang, Chenlin Meng, Marshall Burke, David B. Lobell, Stefano Ermon
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 82.50301442891602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated tracking of urban development in areas where construction information is not available became possible with recent advancements in machine learning and remote sensing. Unfortunately, these solutions perform best on high-resolution imagery, which is expensive to acquire and infrequently available, making it difficult to scale over long time spans and across large geographies. In this work, we propose a pipeline that leverages a single high-resolution image and a time series of publicly available low-resolution images to generate accurate high-resolution time series for object tracking in urban construction. Our method achieves significant improvement in comparison to baselines using single image super-resolution, and can assist in extending the accessibility and scalability of building construction tracking across the developing world.
• Abstract（参考訳）: 最近の機械学習とリモートセンシングの進歩により、建設情報が利用できない地域の都市開発の自動追跡が可能になった。 残念なことに、これらのソリューションは高解像度画像で最高の性能を発揮するため、取得にコストがかかり、あまり利用できないため、長時間にわたって大規模にスケールするのは困難である。 本研究では,1つの高分解能画像と一般利用可能低分解能画像の時系列を活用し,都市構造における物体追跡のための高精度高分解能時系列を生成する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に比べて, 大幅な改善を実現し, 開発途上国における建築追跡のアクセシビリティとスケーラビリティの向上を支援する。

関連論文リスト

• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Feature Aggregation Network for Building Extraction from High-resolution Remote Sensing Images [1.7623838912231695]
  高解像度衛星リモートセンシングデータ取得は、表面構造的特徴の詳細な抽出の可能性を明らかにした。 現在の手法は、表面特徴の局所化情報にのみ焦点をあてている。 本稿では,グローバル機能とローカル機能の両方を抽出する機能集約ネットワーク(FANet)を提案する。
  論文  参考訳（メタデータ） (2023-09-12T07:31:51Z)
• Building Footprint Extraction in Dense Areas using Super Resolution and Frame Field Learning [1.949927790632678]
  超解像は、空中画像の空間分解能を高めるために用いられ、より微細な細部を捉えることができる。 この強調画像は、セグメンテーションヘッドとフレームフィールド学習ヘッドからなるマルチタスク学習モジュールへの入力として機能する。 我々のモデルは適応的な損失重み付けによって制御され、鋭いエッジと細粒度ポリゴンの抽出が可能となる。
  論文  参考訳（メタデータ） (2023-09-04T15:15:34Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Automatic satellite building construction monitoring [0.0]
  衛星画像の有望な応用の1つは建設監視である。 到達が難しい場所であっても、世界中の建設の進捗を制御できます。 本稿では,この問題に対処するための新しい深層学習手法をいくつか導入した。
  論文  参考訳（メタデータ） (2022-09-29T20:26:16Z)
• Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
  スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。 このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。 ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。 文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:13:53Z)
• Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking [58.95210121654722]
  理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。 私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
  論文  参考訳（メタデータ） (2022-04-15T12:47:01Z)
• Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional Pixel Synthesis [66.50914391487747]
  高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。 我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-22T02:16:24Z)
• Boundary Regularized Building Footprint Extraction From Satellite Images Using Deep Neural Network [6.371173732947292]
  本稿では,1つの衛星画像から構築事例を共同で検出し,ノイズの多い建物の境界形状を規則化する,新しいディープニューラルネットワークを提案する。 本モデルでは,オブジェクトの局所化,認識,セマンティックラベリング,幾何学的形状抽出を同時に行うことができる。
  論文  参考訳（メタデータ） (2020-06-23T17:24:09Z)
• Efficient Poverty Mapping using Deep Reinforcement Learning [75.6332944247741]
  高解像度衛星画像と機械学習は多くのサステナビリティ関連タスクで有用であることが証明されている。 高解像度画像によって得られる精度は、そのような画像が大規模に購入するのに非常にコストがかかるため、コストがかかる。 コストの高い高解像度画像の取得場所を動的に識別するために,自由な低解像度画像を用いる強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-07T18:30:57Z)

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。