論文の概要: Dam reservoir extraction from remote sensing imagery using tailored metric learning strategies

• arxiv url: http://arxiv.org/abs/2207.05807v1
• Date: Tue, 12 Jul 2022 19:46:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 05:45:24.357433
• Title: Dam reservoir extraction from remote sensing imagery using tailored metric learning strategies
• Title（参考訳）: 適応型メトリック学習戦略を用いたリモートセンシング画像からのダム貯留層抽出
• Authors: Arnout van Soesbergen, Zedong Chu, Miaojing Shi, Mark Mulligan
• Abstract要約: 本稿では,ダム貯水池抽出を水域セグメンテーションとダム貯水池認識に分解するディープニューラルネットワークを用いたパイプラインを提案する。 我々は西アフリカとインドの河川流域から得られた地球画像データと人間ラベル付き貯水池のベンチマークデータセットを構築した。
• 参考スコア（独自算出の注目度）: 6.040904021861968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dam reservoirs play an important role in meeting sustainable development goals and global climate targets. However, particularly for small dam reservoirs, there is a lack of consistent data on their geographical location. To address this data gap, a promising approach is to perform automated dam reservoir extraction based on globally available remote sensing imagery. It can be considered as a fine-grained task of water body extraction, which involves extracting water areas in images and then separating dam reservoirs from natural water bodies. We propose a novel deep neural network (DNN) based pipeline that decomposes dam reservoir extraction into water body segmentation and dam reservoir recognition. Water bodies are firstly separated from background lands in a segmentation model and each individual water body is then predicted as either dam reservoir or natural water body in a classification model. For the former step, point-level metric learning with triplets across images is injected into the segmentation model to address contour ambiguities between water areas and land regions. For the latter step, prior-guided metric learning with triplets from clusters is injected into the classification model to optimize the image embedding space in a fine-grained level based on reservoir clusters. To facilitate future research, we establish a benchmark dataset with earth imagery data and human labelled reservoirs from river basins in West Africa and India. Extensive experiments were conducted on this benchmark in the water body segmentation task, dam reservoir recognition task, and the joint dam reservoir extraction task. Superior performance has been observed in the respective tasks when comparing our method with state of the art approaches.
• Abstract（参考訳）: ダム貯水池は持続可能な開発目標と地球規模の気候目標を満たす上で重要な役割を果たしている。 しかし、特に小さなダム貯水池では、その地理的位置に関する一貫したデータが欠落している。 このデータギャップに対処するため、世界中のリモートセンシング画像に基づいてダム貯水池の自動抽出を行うことが期待できる。 これは、画像中の水領域を抽出し、自然の水域からダム貯水池を分離する、微細な水域抽出のタスクとみなすことができる。 本稿では,ダム貯水池抽出を水域セグメンテーションとダム貯水池認識に分解する新しいディープニューラルネットワーク(DNN)パイプラインを提案する。 各水域は、まず、区分モデルで背景地から分離され、各水域は、分類モデルでダム貯水池または自然水域として予測される。 前段では、画像にまたがる三重項を用いた点レベルのメトリック学習をセグメンテーションモデルに注入し、水域と陸地の間の曖昧さに対処する。 後者のステップでは、クラスタからのトリプレットを用いた事前誘導メトリック学習を分類モデルに注入し、貯水池クラスタに基づくきめ細かいレベルで画像埋め込み空間を最適化する。 今後の研究を容易にするために,西アフリカとインドの河川流域からの地球画像データと人ラベル付き貯水池を用いたベンチマークデータセットを構築した。 ダム貯水池認識タスク,ダム貯水池抽出タスクにおいて,このベンチマークを用いて広範囲な実験を行った。 この手法を最先端のアプローチと比較する場合,それぞれのタスクで優れた性能が観察されている。

関連論文リスト

• A physics-guided neural network for flooding area detection using SAR imagery and local river gauge observations [0.0]
  本研究では,洪水領域検出のための物理誘導型ニューラルネットワークを提案する。 提案手法は,インプットデータとして,センチネル1の時系列画像と,各画像に割り当てられた河川の水位を推定する。 提案手法の有効性を,デジタル地形モデルと光学衛星画像から得られた参照水マップと比較することにより,5つの研究領域で評価した。
  論文  参考訳（メタデータ） (2024-10-11T14:13:06Z)
• Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis [0.0]
  本稿では, 埋立廃棄物処理とごみ処理の基盤となるため, 最先端のアーキテクチャと既存のデータセットを網羅的に検討する。 第一の目的は、高度な水中センサーと自律型水中車両によって活用される物体の局所化手法のベンチマークを確立することである。
  論文  参考訳（メタデータ） (2024-05-28T15:51:18Z)
• 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)
• WMFormer++: Nested Transformer for Visible Watermark Removal via Implict Joint Learning [68.00975867932331]
  既存の透かし除去法は主にタスク固有のデコーダブランチを持つUNetに依存している。 両分野の情報を包括的に統合するために,暗黙的な共同学習パラダイムを導入する。 その結果、既存の最先端手法をはるかに上回る、我々のアプローチの顕著な優位性を示した。
  論文  参考訳（メタデータ） (2023-08-20T07:56:34Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• An End-to-End Two-Phase Deep Learning-Based workflow to Segment Man-made Objects Around Reservoirs [2.7920304852537536]
  我々は,貯水池周辺の人工物セグメンテーションのためのDLと画像処理技術に基づく新しい手法を開発した。 ブラジルの8つの貯水池の収集したGoogle Earth(GE)画像を用いて、2年間にわたって提案されたワークフローを訓練した。
  論文  参考訳（メタデータ） (2023-02-07T06:22:14Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
  本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。 本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-05T13:04:44Z)
• Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery And Digital Elevation Models [0.0]
  Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。 実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
  論文  参考訳（メタデータ） (2020-12-11T18:42:15Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)

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。