論文の概要: Attentive Dual Stream Siamese U-net for Flood Detection on Multi-temporal Sentinel-1 Data

• arxiv url: http://arxiv.org/abs/2204.09387v1
• Date: Wed, 20 Apr 2022 10:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 18:16:08.983013
• Title: Attentive Dual Stream Siamese U-net for Flood Detection on Multi-temporal Sentinel-1 Data
• Title（参考訳）: 多時間センチネル-1データによる洪水検出のための注意的デュアルストリーム・シームズU-net
• Authors: Ritu Yadav, Andrea Nascetti, Yifang Ban
• Abstract要約: 両時間SARによる洪水検知ネットワークを提案する。 提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。 このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to climate and land-use change, natural disasters such as flooding have been increasing in recent years. Timely and reliable flood detection and mapping can help emergency response and disaster management. In this work, we propose a flood detection network using bi-temporal SAR acquisitions. The proposed segmentation network has an encoder-decoder architecture with two Siamese encoders for pre and post-flood images. The network's feature maps are fused and enhanced using attention blocks to achieve more accurate detection of the flooded areas. Our proposed network is evaluated on publicly available Sen1Flood11 benchmark dataset. The network outperformed the existing state-of-the-art (uni-temporal) flood detection method by 6\% IOU. The experiments highlight that the combination of bi-temporal SAR data with an effective network architecture achieves more accurate flood detection than uni-temporal methods.
• Abstract（参考訳）: 気候や土地利用の変化により、近年は洪水などの自然災害が増加している。 タイムリーで信頼性の高い洪水検出とマッピングは、緊急対応と災害管理に役立つ。 本研究では,二時間sar取得を用いた洪水検知ネットワークを提案する。 提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。 ネットワークの特徴地図はアテンションブロックを用いて融合・拡張され、浸水地域をより正確に検出する。 提案するネットワークはsen1flood11ベンチマークデータセット上で評価される。 このネットワークは、既存の最先端(一時期)の洪水検出手法を6\%IOUで上回った。 両時間SARデータと効果的なネットワークアーキテクチャを組み合わせることで,一時期的な手法よりも正確な洪水検出が可能になる。

関連論文リスト

• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images [3.9921541182631253]
  本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。 最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。 2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
  論文  参考訳（メタデータ） (2022-10-04T13:11:44Z)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
  コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。 本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
  論文  参考訳（メタデータ） (2021-03-30T21:22:26Z)
• Defending Water Treatment Networks: Exploiting Spatio-temporal Effects for Cyber Attack Detection [46.67179436529369]
  水処理ネットワーク(WTN)は地域社会と公衆衛生にとって重要なインフラであり、WTNはサイバー攻撃に弱い。 WTNにおけるサイバー攻撃の時間的特性をモデル化し,WTNを防御する構造的異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-26T15:56:55Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。