論文の概要: Deep learning based automatic detection of offshore oil slicks using SAR
data and contextual information
- arxiv url: http://arxiv.org/abs/2204.06371v1
- Date: Wed, 13 Apr 2022 13:30:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 14:04:51.002735
- Title: Deep learning based automatic detection of offshore oil slicks using SAR
data and contextual information
- Title（参考訳）: SARデータと文脈情報を用いた深層学習による沖合石油スリックの自動検出
- Authors: Emna Amri (LISTIC), Hermann Courteille (LISTIC), A Benoit (LISTIC),
Philippe Bolon (LISTIC), Dominique Dubucq, Gilles Poulain, Anthony Credoz
- Abstract要約: 本稿では,両種類のスリックを有する広範囲なデータベース上で,オフショアオイルスリックの自動化について述べる。
これは、Sentinel-1 SARデータ上の特殊な写真解釈器のスリックアノテーションを、世界中の3つの探査および監視エリアで4年間にわたって構築している。
本研究の主な成果は,深層学習によるスリック検出の有効性である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ocean surface monitoring, especially oil slick detection, has become
mandatory due to its importance for oil exploration and risk prevention on
ecosystems. For years, the detection task has been performed manually by
photo-interpreters using Synthetic Aperture Radar (SAR) images with the help of
contextual data such as wind. This tedious manual work cannot handle the
increasing amount of data collected by the available sensors and thus requires
automation. Literature reports conventional and semi-automated detection
methods that generally focus either on oil slicks originating from
anthropogenic (spills) or natural (seeps) sources on limited data collections.
As an extension, this paper presents the automation of offshore oil slicks on
an extensive database with both kinds of slicks. It builds upon the slick
annotations of specialized photo-interpreters on Sentinel-1 SAR data for 4
years over 3 exploration and monitoring areas worldwide. All the considered SAR
images and related annotation relate to real oil slick monitoring scenarios.
Further, wind estimation is systematically computed to enrich the data
collection. Paper contributions are the following : (i) a performance
comparison of two deep learning approaches: semantic segmentation using
FC-DenseNet and instance segmentation using Mask-RCNN. (ii) the introduction of
meteorological information (wind speed) is deemed valuable for oil slick
detection in the performance evaluation. The main results of this study show
the effectiveness of slick detection by deep learning approaches, in particular
FC-DenseNet, which captures more than 92% of oil instances in our test set.
Furthermore, a strong correlation between model performances and contextual
information such as slick size and wind speed is demonstrated in the
performance evaluation. This work opens perspectives to design models that can
fuse SAR and wind information to reduce the false alarm rate.
- Abstract（参考訳）: 海洋表面のモニタリング、特に石油のスリック検出は、石油探査と生態系のリスク防止の重要性から義務付けられている。
長年にわたり,SAR(Synthetic Aperture Radar)画像を用いて,風などの文脈データの助けを借りて手動で検出作業を行っている。
この面倒な手作業では、利用可能なセンサーが収集するデータ量の増加を処理できないため、自動化が必要になる。
文献では、通常、人為的(スパイル)由来のオイルスリックや、限られたデータ収集の自然(シープ)に焦点をあてる従来の半自動検出法が報告されている。
拡張として,両種類のスリックを有する広範囲なデータベース上でのオフショアオイルスリックの自動化について述べる。
これは、Sentinel-1 SARデータ上の特殊な写真解釈器のスリックアノテーションを、世界中の3つの探査および監視エリアで4年間にわたって構築している。
検討されたSAR画像および関連アノテーションはすべて、実際のオイルスリックモニタリングシナリオに関連している。
さらに、風速推定を系統的に計算してデータ収集を強化する。
論文は以下の通りである。
i) FC-DenseNetを用いたセマンティックセグメンテーションとMask-RCNNを用いたインスタンスセグメンテーションの2つの深層学習手法の性能比較を行った。
(ii) 性能評価において, 気象情報(風速)の導入は油脂検出に有用であると考えられる。
本研究の主な結果は, 深層学習によるslick検出, 特にfc-densenetが, 実験セットの油インスタンスの92%以上を捕捉することによるslick検出の有効性を示す。
また,性能評価において,モデル性能とスリックサイズや風速などの文脈情報との間に強い相関関係が示された。
この研究は、SARと風の情報を融合して誤警報率を低減できるモデルの設計に視点を開放する。
関連論文リスト
- Oil Spill Drone: A Dataset of Drone-Captured, Segmented RGB Images for
Oil Spill Detection in Port Environments [0.0]
海洋環境では、石油流出検知のためにRGB画像を使用するデータセットが不足しています。
本稿では,デスクトップおよびエッジコンピューティングプラットフォーム上でのニューラルネットワークを用いた,ユニークな注釈付きデータセットを提案する。
ドローンでキャプチャされたデータセットは、石油、水などに分類される1268のイメージと、Unetモデルアーキテクチャを用いてトレーニングされた畳み込みニューラルネットワークで構成され、石油検出のためのF1スコアが0.71である。
論文 参考訳（メタデータ） (2024-02-28T09:47:35Z) - Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳（メタデータ） (2023-12-16T14:27:06Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR
Image Retrieval [31.974530072369753]
サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。
ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2022-09-29T18:17:56Z) - Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection
with an Isolation Forest-Guided Unsupervised Detector [13.739881592455044]
近年、海洋石油流出事故が環境、天然資源、沿岸住民の生活に深刻な影響を与えているため、石油流出の検出が注目されている。
既存のアプローチのほとんどは、ハイパースペクトル画像(HSI)からのオイル流出を検出するための教師付きおよび半教師付きフレームワークに基づいている。
本研究では,HSIの孤立林を基盤とした非監督型油流出検出手法の開発を初めて試みる。
論文 参考訳（メタデータ） (2022-09-28T02:26:42Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An
Overview Of Trends And Perspectives [45.87348004985991]
このようなノイズを除去し、下流の画像処理タスクの精度を向上させるために、デスペクリングは重要なタスクである。
本稿では,sarデスペックリングに適用する深層学習手法に関する文献を調査し,教師ありアプローチと近年の自己教師ありアプローチの両方をカバーする。
論文 参考訳（メタデータ） (2020-12-10T08:30:43Z) - Detecting the Presence of Vehicles and Equipment in SAR Imagery Using
Image Texture Features [0.0]
低解像度SAR画像における人為的・建設的活動のモニタリング手法を提案する。
我々のデータソースは欧州宇宙機関(ESA)のSentinel-l衛星で、12日間のリビジットレートで地球をカバーしています。
探索的データセットを用いて、サポートベクターマシン(SVM)、ランダムなバイナリフォレスト、完全に接続されたニューラルネットワークの分類を訓練した。
論文 参考訳（メタデータ） (2020-09-10T13:59:52Z) - Large-scale detection and categorization of oil spills from SAR images
with deep learning [4.716034416800441]
本研究では,合成開口レーダ(SAR)画像中の油流出を大規模に検出し,分類するためのディープラーニングフレームワークを提案する。
また,SARにおける石油流出検知の文脈において,新しい分類タスクを導入する。
論文 参考訳（メタデータ） (2020-06-24T09:32:31Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。