論文の概要: Forest and Water Bodies Segmentation Through Satellite Images Using
U-Net
- arxiv url: http://arxiv.org/abs/2207.11222v1
- Date: Tue, 12 Jul 2022 22:29:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:44:43.799445
- Title: Forest and Water Bodies Segmentation Through Satellite Images Using
U-Net
- Title(参考訳): u-netを用いた衛星画像による森林と水域のセグメンテーション
- Authors: Dmytro Filatov, Ghulam Nabi Ahmad Hassan Yar
- Abstract要約: 本稿では,森林と水に覆われた地域を観察する手法を提案する。
このタスクを実現するために,イメージセグメンテーションモデルであるUNetモデルが提案されている。
このモデルは、森林と水に覆われた地域の区分について、それぞれ82.55%と82.92%の検証精度を達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Global environment monitoring is a task that requires additional attention in
the contemporary rapid climate change environment. This includes monitoring the
rate of deforestation and areas affected by flooding. Satellite imaging has
greatly helped monitor the earth, and deep learning techniques have helped to
automate this monitoring process. This paper proposes a solution for observing
the area covered by the forest and water. To achieve this task UNet model has
been proposed, which is an image segmentation model. The model achieved a
validation accuracy of 82.55% and 82.92% for the segmentation of areas covered
by forest and water, respectively.
- Abstract(参考訳): 地球環境モニタリングは、現代の急激な気候変動環境にさらなる注意を必要とする課題である。
これには森林破壊率や洪水の影響地域を監視することが含まれる。
衛星画像は地球の監視に大いに役立ち、ディープラーニング技術はこの監視プロセスの自動化に役立っている。
本稿では,森林と水に覆われた地域を観察するためのソリューションを提案する。
このタスクを実現するために,イメージセグメンテーションモデルであるUNetモデルが提案されている。
このモデルは、それぞれ森林と水に覆われた地域のセグメンテーションにおいて、82.55%と82.92%の検証精度を達成した。
関連論文リスト
- Exploring Superpixel Segmentation Methods in the Context of Citizen Science and Deforestation Detection [0.0]
熱帯の森林は地球の生態系において重要な役割を担っている。
森林破壊と劣化は 彼らの存在に重大な脅威をもたらします
イニシアチブは、政府や民間セクターの監視プログラムから、市民科学キャンペーンに基づくソリューションまで、さまざまです。
論文 参考訳(メタデータ) (2024-11-26T22:31:09Z) - FloodLense: A Framework for ChatGPT-based Real-time Flood Detection [0.0]
本研究は,リアルタイム洪水検出・管理の課題に対処するものである。
先進的なディープラーニングモデルと大規模言語モデル(LLM)を革新的に組み合わせ、洪水モニタリングと応答能力を向上する。
論文 参考訳(メタデータ) (2024-01-27T20:52:33Z) - Rapid Deforestation and Burned Area Detection using Deep Multimodal
Learning on Satellite Imagery [3.8073142980733]
アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。
マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。
本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-07-10T21:49:30Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳(メタデータ) (2022-08-23T16:04:12Z) - MultiEarth 2022 Deforestation Challenge -- ForestGump [0.0]
従来のUNetと包括的データ処理を用いた森林破壊推定手法を提案する。
Sentinel-1、Sentinel-2、Landsat 8の様々なチャネルが慎重に選択され、ディープニューラルネットワークのトレーニングに使用される。
提案手法では,新しいクエリの森林破壊状況を高精度に推定する。
論文 参考訳(メタデータ) (2022-06-22T04:10:07Z) - Multiple-environment Self-adaptive Network for Aerial-view
Geo-localization [85.52750931345287]
航空ビューのジオローカライゼーションは、ドローンビュー画像とジオタグの衛星ビュー画像とをマッチングすることにより、未知の位置を決定する傾向がある。
本研究では,環境変化に伴う領域シフトを調整するために,マルチ環境自己適応ネットワーク(MuSe-Net)を提案する。
特に、MuSe-Netは、1つの多重環境スタイル抽出ネットワークと1つの自己適応的特徴抽出ネットワークを含む2分岐ニューラルネットワークを使用している。
論文 参考訳(メタデータ) (2022-04-18T16:04:29Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional
Pixel Synthesis [66.50914391487747]
高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。
我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-22T02:16:24Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-09T12:48:06Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z) - H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain
Adaptation and Label Refinement [6.577064131678387]
H2O-Networkは、衛星や航空画像から洪水を分離する自己教師付きディープラーニング手法である。
H2O-Networkは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と高い相関性を持つ信号を合成することを学ぶ。
H2O-Netは,衛星画像上での最先端セマンティックセマンティックセグメンテーション法を,それぞれ10%,12%の精度で,mIoUより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-11T18:35:03Z)
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。