論文の概要: Urban Change Forecasting from Satellite Images

• arxiv url: http://arxiv.org/abs/2204.12875v2
• Date: Mon, 18 Sep 2023 11:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 02:02:35.773494
• Title: Urban Change Forecasting from Satellite Images
• Title（参考訳）: 衛星画像による都市変化予測
• Authors: Nando Metzger, Mehmet \"Ozg\"ur T\"urkoglu, Rodrigo Caye Daudt, Jan Dirk Wegner, Konrad Schindler
• Abstract要約: 本稿では,この課題を,ディープニューラルネットワークと独自の事前学習手法を用いて達成する手法を提案する。 提案手法は,ImageNetデータセットを用いた従来の事前学習よりも一貫して優れていることを示す。 また、変更が発生すると事前に予測できることも示しています。
• 参考スコア（独自算出の注目度）: 19.295591881943775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Forecasting where and when new buildings will emerge is a rather unexplored topic, but one that is very useful in many disciplines such as urban planning, agriculture, resource management, and even autonomous flying. In the present work, we present a method that accomplishes this task with a deep neural network and a custom pretraining procedure. In Stage 1, a U-Net backbone is pretrained within a Siamese network architecture that aims to solve a (building) change detection task. In Stage 2, the backbone is repurposed to forecast the emergence of new buildings based solely on one image acquired before its construction. Furthermore, we also present a model that forecasts the time range within which the change will occur. We validate our approach using the SpaceNet7 dataset, which covers an area of 960 km^2 at 24 points in time across two years. In our experiments, we found that our proposed pretraining method consistently outperforms the traditional pretraining using the ImageNet dataset. We also show that it is to some degree possible to predict in advance when building changes will occur.
• Abstract（参考訳）: しかし、都市計画、農業、資源管理、さらには自律飛行といった多くの分野において非常に有用である。 本稿では,ディープニューラルネットワークとカスタム事前学習手順を用いて,このタスクを実現する手法を提案する。 ステージ1では、U-Netのバックボーンが、(ビルド)変更検出タスクの解決を目的とした、シームズネットワークアーキテクチャ内で事前トレーニングされる。 ステージ2では、バックボーンは、建設前に取得した1つのイメージに基づいて、新しい建物の出現を予測するために再利用される。 さらに,変化が起こる時間範囲を予測するモデルも提示する。 2年間で24ポイントで960km^2の範囲をカバーするSpaceNet7データセットを用いて,我々のアプローチを検証する。 実験の結果,提案手法はImageNetデータセットを用いた従来の事前学習よりも一貫して優れていた。 また,ビルディングの変更が発生すると,事前に予測できることも示しています。

関連論文リスト

• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Will there be a construction? Predicting road constructions based on heterogeneous spatiotemporal data [1.2891210250935146]
  道路建設は交通インフラを維持している。 本稿では、ディープ・ニューラル・ネットワーク・ベース・モデルを用いて将来の構築を予測するためのアプローチについて報告する。 本モデルでは,建設,気象,地図,道路網のデータからなる異種データセットに対して,畳み込み成分と繰り返し成分の両方を適用した。
  論文  参考訳（メタデータ） (2022-09-14T17:59:14Z)
• Long-term hail risk assessment with deep neural networks [0.0]
  農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。 特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。 本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:24:39Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• Panoptic Segmentation Forecasting [71.75275164959953]
  我々の目標は、最近の観測結果から近い将来の予測を行うことです。 この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。 そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:16Z)
• Temporal Cluster Matching for Change Detection of Structures from Satellite Imagery [6.347756122672385]
  モデルの裏にある直観は、建物が建設される(または取り壊される)とき、建物の足跡内外のスペクトル値の関係が変わるということである。 提案手法は有効なデータ拡張戦略として機能し、研究者が時間次元に沿って既存の構造フットプリントラベルを拡張できることを示します。
  論文  参考訳（メタデータ） (2021-03-17T17:20:16Z)

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。