Fugu-MT 論文翻訳(概要): Automatic satellite building construction monitoring

論文の概要: Automatic satellite building construction monitoring

arxiv url: http://arxiv.org/abs/2209.15084v1
Date: Thu, 29 Sep 2022 20:26:16 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 15:32:15.861817
Title: Automatic satellite building construction monitoring
Title（参考訳）: 衛星ビルの自動構築監視
Authors: Insaf Ashrapov, Dmitriy Malakhov, Anton Marchenkov, Anton Lulin and Dani El-Ayyass
Abstract要約: 衛星画像の有望な応用の1つは建設監視である。到達が難しい場所であっても、世界中の建設の進捗を制御できます。本稿では,この問題に対処するための新しい深層学習手法をいくつか導入した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the promising applications of satellite images is building construction monitoring. It allows to control the construction progress around the world even in the locations that are hard to reach. One of the main hurdles of this approach is the interpretation of the image data. In this paper, we have employed several novel deep learning techniques to tackle the problem. Various image segmentation and object detection networks were combined into a unified pipeline, which was then used to determine the building construction progress.
Abstract（参考訳）: 衛星画像の有望な応用の1つは建設監視である。これは、到達が難しい場所であっても、世界中の建設進捗を制御できる。このアプローチの主なハードルのひとつは、画像データの解釈である。本稿では,この問題に取り組むために,新しい深層学習手法をいくつか採用した。様々な画像セグメンテーションとオブジェクト検出ネットワークが統合パイプラインに統合され、建設の進捗を判断するために使用された。

関連論文リスト

CrossViewDiff: A Cross-View Diffusion Model for Satellite-to-Street View Synthesis [54.852701978617056]
CrossViewDiffは、衛星間ビュー合成のためのクロスビュー拡散モデルである。ビュー間の大きな相違による課題に対処するため、衛星シーン構造推定とクロスプラットフォームテクスチャマッピングモジュールを設計する。合成結果のより包括的な評価を実現するため,GPTに基づくスコアリング手法を設計する。
論文参考訳（メタデータ） (2024-08-27T03:41:44Z)
RSBuilding: Towards General Remote Sensing Image Building Extraction and Change Detection with Foundation Model [22.56227565913003]
本稿では、基礎モデルの観点から、RSBuildingと呼ばれる総合的なリモートセンシング画像構築モデルを提案する。 RSBuildingはクロスシーンの一般化とタスク理解を強化するように設計されている。我々のモデルは最大245,000の画像からなるデータセットでトレーニングされ、複数のビルの抽出と変更検出データセットで検証された。
論文参考訳（メタデータ） (2024-03-12T11:51:59Z)
Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network [18.365220543556113]
ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。その結果、提案したUANetは、他の最先端アルゴリズムよりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-07-23T12:42:15Z)
A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文参考訳（メタデータ） (2022-11-04T09:58:57Z)
Towards Improving Workers' Safety and Progress Monitoring of Construction Sites Through Construction Site Understanding [0.0]
我々は,グローバルな特徴親和性関連に基づくチャネル関係を改善するために,軽量なOPモジュールを提案する。 OP-Netは、あらゆるディープニューラルネットワークにプラグインできる一般的なディープニューラルネットワークモジュールである。 SODAを用いたベンチマークテストでは、OP-Netが新しい最先端性能を精度良く達成できることを示した。
論文参考訳（メタデータ） (2022-10-27T20:33:46Z)
Multi-Camera Collaborative Depth Prediction via Consistent Structure Estimation [75.99435808648784]
本稿では,新しいマルチカメラ協調深度予測法を提案する。カメラ間の構造的整合性を維持しながら、大きな重なり合う領域を必要としない。 DDADおよびNuScenesデータセットの実験結果から,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2022-10-05T03:44:34Z)
UAV-based Visual Remote Sensing for Automated Building Inspection [15.471860216370251]
無人航空機(UAV)にコンピュータビジョンを組み込んだリモートセンシングシステムでは,地震時の建物建設や災害時の被害評価などの災害管理を支援する可能性を実証している。本稿では,UAVに基づく画像データ収集による検査の自動化手法と,地震構造パラメータの推定を支援する後処理用ソフトウェアライブラリを提案する。
論文参考訳（メタデータ） (2022-09-27T14:18:14Z)
Tracking Urbanization in Developing Regions with Remote Sensing Spatial-Temporal Super-Resolution [82.50301442891602]
本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
論文参考訳（メタデータ） (2022-04-04T17:21:20Z)
Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文参考訳（メタデータ） (2021-02-24T11:20:55Z)
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。