論文の概要: Landslide4Sense: Reference Benchmark Data and Deep Learning Models for
Landslide Detection
- arxiv url: http://arxiv.org/abs/2206.00515v1
- Date: Wed, 1 Jun 2022 14:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 13:14:29.390551
- Title: Landslide4Sense: Reference Benchmark Data and Deep Learning Models for
Landslide Detection
- Title（参考訳）: Landslide4Sense:地すべり検出のための基準ベンチマークデータとディープラーニングモデル
- Authors: Omid Ghorbanzadeh, Yonghao Xu, Pedram Ghamis, Michael Kopp, David
Kreil
- Abstract要約: 本研究では,リモートセンシングによる地すべり検出のための基準ベンチマークであるtextitLandslide4Senseを紹介する。
このレポジトリは、Sentinel-2センサーからの光学層と、ALOS PALSARから派生した傾斜層とを融合した3,799枚の画像パッチを備える。
広範なデータセットは、地すべり検出における深層学習(DL)研究を支援し、地すべり在庫の体系的更新のための方法の開発と検証を行う。
- 参考スコア（独自算出の注目度）: 4.44483539967295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces \textit{Landslide4Sense}, a reference benchmark for
landslide detection from remote sensing. The repository features 3,799 image
patches fusing optical layers from Sentinel-2 sensors with the digital
elevation model and slope layer derived from ALOS PALSAR. The added
topographical information facilitates an accurate detection of landslide
borders, which recent researches have shown to be challenging using optical
data alone. The extensive data set supports deep learning (DL) studies in
landslide detection and the development and validation of methods for the
systematic update of landslide inventories. The benchmark data set has been
collected at four different times and geographical locations: Iburi (September
2018), Kodagu (August 2018), Gorkha (April 2015), and Taiwan (August 2009).
Each image pixel is labelled as belonging to a landslide or not, incorporating
various sources and thorough manual annotation. We then evaluate the landslide
detection performance of 11 state-of-the-art DL segmentation models: U-Net,
ResU-Net, PSPNet, ContextNet, DeepLab-v2, DeepLab-v3+, FCN-8s, LinkNet, FRRN-A,
FRRN-B, and SQNet. All models were trained from scratch on patches from one
quarter of each study area and tested on independent patches from the other
three quarters. Our experiments demonstrate that ResU-Net outperformed the
other models for the landslide detection task. We make the multi-source
landslide benchmark data (Landslide4Sense) and the tested DL models publicly
available at \url{www.landslide4sense.org}, establishing an important resource
for remote sensing, computer vision, and machine learning communities in
studies of image classification in general and applications to landslide
detection in particular.
- Abstract（参考訳）: 本研究では,リモートセンシングによる地すべり検出のための基準ベンチマークであるtextit{Landslide4Sense}を紹介する。
このレポジトリは、Sentinel-2センサーからの光学層と、ALOS PALSARから派生した傾斜層とを融合した3,799枚の画像パッチを備える。
地形情報の追加により地すべり境界の正確な検出が容易となり、近年の研究では光学データだけでは困難であることが示されている。
広範なデータセットは、地すべり検出における深層学習(DL)研究を支援し、地すべり在庫の体系的更新のための方法の開発と検証を行う。
ベンチマークデータセットは、Iburi (2018年9月)、Kodagu (2018年8月)、Gorkha (2015年4月)、および Taiwan (2009年8月)の4つの異なる時間と地理的位置で収集された。
各画像画素は地すべりに属するか否かに分類され、様々なソースと詳細な手動アノテーションが組み込まれている。
次に,最先端dlセグメンテーションモデル (u-net, resu-net, pspnet, contextnet, deeplab-v2, deeplab-v3+, fcn-8s, linknet, frrn-a, frrn-b, sqnet) の地すべり検出性能を評価する。
全てのモデルは、各研究領域の4分の1のパッチをスクラッチからトレーニングし、残りの3分の1の独立したパッチをテストした。
実験の結果,resu-netは地すべり検出タスクにおいて他のモデルよりも優れていた。
我々は,マルチソース地すべりベンチマークデータ (landslide4sense) とテストされたdlモデルを \url{www.landslide4sense.org} で公開し,リモートセンシング,コンピュータビジョン,機械学習コミュニティのための重要なリソースを確立し,画像分類一般と地すべり検出への応用を行った。
関連論文リスト
- Unsupervised Few-Shot Continual Learning for Remote Sensing Image Scene Classification [14.758282519523744]
リモートセンシング画像シーン分類における教師なし数ショット連続学習のためのunsupervised flat-wide learning approach (UNISA)
リモートセンシング画像シーンデータセットとハイパースペクトルデータセットを用いた数値解析により,提案手法の利点が確認された。
論文 参考訳（メタデータ） (2024-06-04T03:06:41Z) - Landslide mapping from Sentinel-2 imagery through change detection [0.12289361708127873]
地すべりは、最も重要で破壊的なジオハザードの1つである。
本稿では,Sentinel-2画像を用いた地すべりのマッピング手法について検討する。
本稿では,DEM(Digital Elevation Model)データとSentinel-2バイテンポラル画像ペアを融合する新たなディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-30T15:33:32Z) - V-DETR: DETR with Vertex Relative Position Encoding for 3D Object
Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。
限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。
挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文 参考訳（メタデータ） (2023-08-08T17:14:14Z) - UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。
本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T16:26:25Z) - Pre-processing training data improves accuracy and generalisability of
convolutional neural network based landscape semantic segmentation [2.8747398859585376]
オーストラリア,クイーンズランド州ウェット・トロピクスとアザートン・テーブルランズ上空の航空写真における土地利用土地被覆(LULC)の特徴のセマンティックセグメンテーションとCNN訓練のための様々なデータ準備方法を試行した。
これは、さまざまなトレーニングパッチ選択サンプリング戦略、パッチとバッチサイズ、データ拡張とスケーリングの試行とランキングによって実施された。
我々は、2018年のトレーニング画像上で5つのモデルを訓練し、2015年の試験画像に適用し、出力LULC分類により平均ユーザ精度0.84、生産精度0.87を達成した。
論文 参考訳（メタデータ） (2023-04-28T04:38:45Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - The Outcome of the 2022 Landslide4Sense Competition: Advanced Landslide
Detection from Multi-Source Satellite Imagery [24.13293440561488]
2022年のL4S(Landslide4Sense)コンペの科学的成果をここで紹介する。
競技の目的は、大規模な複数の衛星画像に基づいて地すべりを自動的に検出することである。
勝利したソリューションは、Swin Transformer、SegFormer、U-Netといった最先端のモデルで詳しく説明されています。
論文 参考訳（メタデータ） (2022-09-06T15:05:12Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - A Nearest Neighbor Network to Extract Digital Terrain Models from 3D
Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。
我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文 参考訳（メタデータ） (2020-05-21T15:54:55Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳（メタデータ） (2020-04-02T17:48:50Z)
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。