論文の概要: The Outcome of the 2022 Landslide4Sense Competition: Advanced Landslide
Detection from Multi-Source Satellite Imagery
- arxiv url: http://arxiv.org/abs/2209.02556v1
- Date: Tue, 6 Sep 2022 15:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 14:18:36.726246
- Title: The Outcome of the 2022 Landslide4Sense Competition: Advanced Landslide
Detection from Multi-Source Satellite Imagery
- Title（参考訳）: 2022年地すべり4senseコンペティションの結果:マルチソース衛星画像からの高度地すべり検出
- Authors: Omid Ghorbanzadeh, Yonghao Xu, Hengwei Zhao, Junjue Wang, Yanfei
Zhong, Dong Zhao, Qi Zang, Shuang Wang, Fahong Zhang, Yilei Shi, Xiao Xiang
Zhu, Lin Bai, Weile Li, Weihang Peng, and Pedram Ghamisi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.13293440561488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The scientific outcomes of the 2022 Landslide4Sense (L4S) competition
organized by the Institute of Advanced Research in Artificial Intelligence
(IARAI) are presented here. The objective of the competition is to
automatically detect landslides based on large-scale multiple sources of
satellite imagery collected globally. The 2022 L4S aims to foster
interdisciplinary research on recent developments in deep learning (DL) models
for the semantic segmentation task using satellite imagery. In the past few
years, DL-based models have achieved performance that meets expectations on
image interpretation, due to the development of convolutional neural networks
(CNNs). The main objective of this article is to present the details and the
best-performing algorithms featured in this competition. The winning solutions
are elaborated with state-of-the-art models like the Swin Transformer,
SegFormer, and U-Net. Advanced machine learning techniques and strategies such
as hard example mining, self-training, and mix-up data augmentation are also
considered. Moreover, we describe the L4S benchmark data set in order to
facilitate further comparisons, and report the results of the accuracy
assessment online. The data is accessible on \textit{Future Development
Leaderboard} for future evaluation at
\url{https://www.iarai.ac.at/landslide4sense/challenge/}, and researchers are
invited to submit more prediction results, evaluate the accuracy of their
methods, compare them with those of other users, and, ideally, improve the
landslide detection results reported in this article.
- Abstract（参考訳）: 2022年、IARAI(Institute of Advanced Research in Artificial Intelligence)が主催するL4S(Landslide4Sense)コンペティションの科学的成果を紹介する。
競争の目的は、地球規模で収集された衛星画像の大規模複数ソースに基づいて自動的に地すべりを検知することである。
2022 L4Sは、衛星画像を用いたセマンティックセグメンテーションタスクのためのディープラーニング(DL)モデルの最近の発展に関する学際的な研究を促進することを目的としている。
過去数年間、畳み込みニューラルネットワーク(CNN)の開発により、画像解釈に対する期待に応えたDLベースのモデルのパフォーマンスが達成されている。
本稿の主な目的は、このコンペティションで特徴付けられる詳細と最高のパフォーマンスのアルゴリズムを示すことである。
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。
高度な機械学習技術やハードサンプルマイニング、セルフトレーニング、ミックスアップデータ拡張といった戦略も検討されている。
さらに,l4sベンチマークデータセットについて述べることにより,さらなる比較を行い,オンライン上での精度評価の結果を報告する。
データは、将来の評価のために \textit{Future Development Leaderboard} 上でアクセス可能であり、さらに予測結果を提出し、メソッドの精度を評価し、他のユーザのものと比較し、理想的には、この記事で報告された地すべり検出結果を改善することが推奨されている。
関連論文リスト
- AIM 2024 Sparse Neural Rendering Challenge: Methods and Results [64.19942455360068]
本稿では,ECCV 2024と共同で開催されるAIM(Advanceds in Image Manipulation)ワークショップの一部であるスパースニューラルレンダリングの課題についてレビューする。
この課題は、スパース画像から多様なシーンを合成する新しいカメラビューを作ることである。
参加者は、Pak Signal-to-Noise Ratio (PSNR) 測定によって測定された地中真実像に対する客観的忠実度を最適化するよう依頼される。
論文 参考訳（メタデータ） (2024-09-23T14:17:40Z) - DSBench: How Far Are Data Science Agents to Becoming Data Science Experts? [58.330879414174476]
現実的なタスクでデータサイエンスエージェントを評価するためのベンチマークであるDSBenchを紹介する。
このベンチマークには、466のデータ分析タスクと、EloquenceとKaggleのコンペからソースされた74のデータモデリングタスクが含まれている。
現状のLLM, LVLM, エージェントを評価したところ, 最高のエージェントはデータ解析タスクの34.12%しか解決できず, RPG(Relative Performance Gap)は34.74%であった。
論文 参考訳（メタデータ） (2024-09-12T02:08:00Z) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - Generating Synthetic Satellite Imagery With Deep-Learning Text-to-Image Models -- Technical Challenges and Implications for Monitoring and Verification [46.42328086160106]
コンディショニング機構を用いて合成衛星画像の作成方法について検討する。
評価結果は,信頼性と最先端の指標に基づいて評価する。
本稿では,衛星画像の監視と検証の文脈における意義について論じる。
論文 参考訳（メタデータ） (2024-04-11T14:00:20Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Landslide4Sense: Reference Benchmark Data and Deep Learning Models for
Landslide Detection [4.44483539967295]
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。
論文 参考訳（メタデータ） (2022-06-01T14:18:23Z) - Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for
Robotic Bin-picking [98.5984733963713]
コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。
我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。
このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
論文 参考訳（メタデータ） (2022-04-14T15:54:01Z) - 2-speed network ensemble for efficient classification of incremental
land-use/land-cover satellite image chips [2.362412515574206]
衛星画像データの増大は、産業や政府にとって、データ駆動的な決定を下すことの難しさを浮き彫りにしている。
ビッグデータのコンテキストにおける再トレーニングのコストは,新たなイメージデータやクラスをトレーニングコーパスに追加する場合に,現実的な課題となる。
提案されたアンサンブルとスタッガードトレーニングスケジュールは、スケーラブルで費用対効果の高い衛星画像分類スキームを提供する。
論文 参考訳（メタデータ） (2022-03-15T21:36:05Z) - Paradigm selection for Data Fusion of SAR and Multispectral Sentinel
data applied to Land-Cover Classification [63.072664304695465]
本稿では、畳み込みニューラルネットワーク(CNN)に基づく4つのデータ融合パラダイムを分析し、実装する。
目標は、最良のデータ融合フレームワークを選択するための体系的な手順を提供することであり、その結果、最高の分類結果が得られる。
この手順は、土地被覆分類のために検証されているが、他のケースに転送することができる。
論文 参考訳（メタデータ） (2021-06-18T11:36:54Z) - An Empirical Study of Vehicle Re-Identification on the AI City Challenge [19.13038665501964]
Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。
主に、この課題におけるトレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルの4点に注目します。
以上の手法により, 最終的に0.7445mAPのスコアが得られた。
論文 参考訳（メタデータ） (2021-05-20T12:20:52Z)
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。