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

• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• An Empirical Analysis of Forgetting in Pre-trained Models with Incremental Low-Rank Updates [11.90029443742706]
  本研究は,ローランド適応(LoRA)のランクが,事前学習の基礎課題の忘れ方,可塑性およびその後の課題の忘れ方に及ぼす影響について検討する。 また、この方法で微調整された視覚トランスフォーマーは、残余のネットワークでは観測できないような、ある種の文脈的「忘れ」を示す。
  論文  参考訳（メタデータ） (2024-05-28T11:29:25Z)
• Reusable Architecture Growth for Continual Stereo Matching [92.36221737921274]
  我々は、教師付きおよび自己監督型の両方で、新しいシーンを継続的に学習するための、再利用可能なアーキテクチャ成長(RAG)フレームワークを紹介します。 RAGは、前のユニットを再利用し、良好な性能を得ることにより、成長中の高い再利用性を維持することができる。 また、推論時にシーン固有のアーキテクチャパスを適応的に選択するScene Routerモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-30T13:24:58Z)
• Learning Reconstructability for Drone Aerial Path Planning [51.736344549907265]
  本研究では,無人ドローンを用いた大規模3次元都市景観獲得のためのビューとパスプランニングを改善するための,学習に基づく最初の再構成可能性予測器を提案する。 従来の手法とは対照的に,本手法では,一組の視点から3次元都市景観をいかによく再構築するかを明示的に予測するモデルを学習する。
  論文  参考訳（メタデータ） (2022-09-21T08:10:26Z)
• 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)
• 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)
• A Novel CNN-LSTM-based Approach to Predict Urban Expansion [1.2233362977312943]
  時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。 本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。 都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-02T12:58:05Z)
• Don't Stop Pretraining: Adapt Language Models to Domains and Tasks [81.99843216550306]
  バイオメディカルおよびコンピュータサイエンスの出版物、ニュース、レビュー)と8つの分類タスクについて調査する。 ドメイン内の事前トレーニング(ドメイン適応型事前トレーニング)の第2フェーズでは、パフォーマンスが向上する。 タスクの未ラベルデータ(タスク適応事前トレーニング)に適応することで、ドメイン適応事前トレーニング後のパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-04-23T04:21:19Z)

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。