Fugu-MT 論文翻訳(概要): Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping

論文の概要: Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping

arxiv url: http://arxiv.org/abs/2209.09200v1
Date: Tue, 6 Sep 2022 18:16:12 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 17:39:24.399793
Title: Crowdsourced-based Deep Convolutional Networks for Urban Flood Depth Mapping
Title（参考訳）: 都市水深マッピングのためのクラウドソース型深層畳み込みネットワーク
Authors: Bahareh Alizadeh, Amir H. Behzadan
Abstract要約: 本稿では,深部畳み込みネットワークを用いて,沈み込み交通標識のクラウドソース画像を分析し,高空間分解能で洪水深度を推定する。米国とカナダの最近の洪水で撮影された写真でモデルをテストすると、平均的な絶対誤差は6.978 in.であり、これは以前の研究と同程度である。
参考スコア（独自算出の注目度）: 1.6244541005112747
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Successful flood recovery and evacuation require access to reliable flood depth information. Most existing flood mapping tools do not provide real-time flood maps of inundated streets in and around residential areas. In this paper, a deep convolutional network is used to determine flood depth with high spatial resolution by analyzing crowdsourced images of submerged traffic signs. Testing the model on photos from a recent flood in the U.S. and Canada yields a mean absolute error of 6.978 in., which is on par with previous studies, thus demonstrating the applicability of this approach to low-cost, accurate, and real-time flood risk mapping.
Abstract（参考訳）: 洪水の回復と避難には、信頼できる洪水深度情報へのアクセスが必要である。既存の洪水マッピングツールの多くは、住宅地周辺で浸水した道路のリアルタイムの洪水マップを提供していない。本稿では,深部畳み込みネットワークを用いて,沈み込み交通標識のクラウドソース画像を分析し,高空間分解能で洪水深度を決定する。米国とカナダの最近の洪水の写真でモデルをテストすると、平均的な絶対誤差は6.978 inである。これは以前の研究と同等であり、このアプローチが低コストで正確でリアルタイムな洪水リスクマッピングに適用可能であることを示している。

関連論文リスト

Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
論文参考訳（メタデータ） (2024-02-26T16:02:15Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文参考訳（メタデータ） (2023-02-20T16:08:54Z)
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)
Attentive Dual Stream Siamese U-net for Flood Detection on Multi-temporal Sentinel-1 Data [0.0]
両時間SARによる洪水検知ネットワークを提案する。提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
論文参考訳（メタデータ） (2022-04-20T10:56:39Z)
Feasibility study of urban flood mapping using traffic signs for route optimization [9.973554387848257]
水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
論文参考訳（メタデータ） (2021-09-24T02:13:23Z)
Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文参考訳（メタデータ） (2021-02-21T05:24:18Z)
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)
Water level prediction from social media images with a multi-task ranking approach [0.0]
本稿では,洪水時のソーシャルメディア画像から水深を推定するコンピュータビジョンシステムを提案する。本稿では,回帰学習とペアランキング損失の両方を用いてモデルを訓練するマルチタスク学習手法を提案する。提案手法は,11cmの根平均平方誤差を持つ1つのクラウドソース画像から,水位を推定できることを示す。
論文参考訳（メタデータ） (2020-07-14T00:51:29Z)
Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: a case study of Hurricane Harvey [6.655087292045269]
ソーシャルメディアは、新しいデータソースとして、洪水モニタリングのためのリアルタイム情報を提供することができる。近年の研究では,テキストに加えて画像解析による洪水関連記事の抽出に焦点が当てられている。本稿では,洪水重大度情報を抽出し,マッピングする新しい3段階プロセスを提案する。
論文参考訳（メタデータ） (2020-06-21T13:57:42Z)
Depth Completion Using a View-constrained Deep Prior [73.21559000917554]
近年の研究では、畳み込みニューラルネットワーク(CNN)の構造が、自然画像に有利な強い先行性をもたらすことが示されている。この前者はディープ・イメージ・先行 (DIP) と呼ばれ、画像の装飾や塗装といった逆問題において有効な正則化器である。我々は、DIPの概念を深度画像に拡張し、色画像とノイズと不完全な目標深度マップから、CNNネットワーク構造を先行して復元された深度マップを再構成する。
論文参考訳（メタデータ） (2020-01-21T21:56:01Z)

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。