Fugu-MT 論文翻訳(概要): Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images

論文の概要: Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images

arxiv url: http://arxiv.org/abs/2210.01588v1
Date: Tue, 4 Oct 2022 13:11:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 14:32:08.259411
Title: Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images
Title（参考訳）: 航空画像における洪水領域分類のための機械学習法のクロスジオグラフィ一般化
Authors: Sushant Lenka, Pratyush Kerhalkar, Pranav Shetty, Harsh Gupta, Bhavam Vidyarthi and Ujjwal Verma
Abstract要約: 本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。 2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
参考スコア（独自算出の注目度）: 3.9921541182631253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identification of regions affected by floods is a crucial piece of information required for better planning and management of post-disaster relief and rescue efforts. Traditionally, remote sensing images are analysed to identify the extent of damage caused by flooding. The data acquired from sensors onboard earth observation satellites are analyzed to detect the flooded regions, which can be affected by low spatial and temporal resolution. However, in recent years, the images acquired from Unmanned Aerial Vehicles (UAVs) have also been utilized to assess post-disaster damage. Indeed, a UAV based platform can be rapidly deployed with a customized flight plan and minimum dependence on the ground infrastructure. This work proposes two approaches for identifying flooded regions in UAV aerial images. The first approach utilizes texture-based unsupervised segmentation to detect flooded areas, while the second uses an artificial neural network on the texture features to classify images as flooded and non-flooded. Unlike the existing works where the models are trained and tested on images of the same geographical regions, this work studies the performance of the proposed model in identifying flooded regions across geographical regions. An F1-score of 0.89 is obtained using the proposed segmentation-based approach which is higher than existing classifiers. The robustness of the proposed approach demonstrates that it can be utilized to identify flooded regions of any region with minimum or no user intervention.
Abstract（参考訳）: 洪水の影響を受けた地域を特定することは、災害後の救助と救助活動の計画と管理を改善するために必要な重要な情報である。伝統的に、リモートセンシング画像は洪水による損傷の程度を特定するために分析される。地球観測衛星のセンサーから得られたデータは、低空間分解能と時間分解能の影響を受ける浸水領域を検出するために分析される。しかし近年では、無人航空機(uavs)から得られた画像も災害後被害の評価に利用されている。実際、UAVベースのプラットフォームは、カスタマイズされた飛行計画と地上インフラへの最小依存で迅速に展開できる。本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。第1のアプローチでは、テクスチャベースの教師なしセグメンテーションを使用して浸水領域を検出し、第2のアプローチでは、テクスチャ特徴にニューラルネットワークを使用してイメージを浸水と非浸水と分類する。モデルが同じ地理的領域の画像上で訓練・テストされている既存の研究とは異なり,本研究は,地理的領域をまたいだ浸水領域を同定する上で,提案モデルの性能について検討する。 F1スコアの0.89は、既存の分類器よりも高いセグメンテーションに基づくアプローチを用いて得られる。提案手法のロバスト性は,任意の領域の浸水した領域を,ユーザによる介入が最小か無かで識別できることを示す。

関連論文リスト

Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
本稿では, DAVI(Disaster Assessment with VIsion foundation model)を提案する。 DAVIは、ソース領域でトレーニングされたモデルからイメージセグメンテーション基礎モデルにタスク固有の知識を統合し、ターゲット領域の損傷の可能性を示す擬似ラベルを生成する。次に、ピクセルと全体像の両方をターゲットとした2段階の精細化プロセスを使用して、災害現場におけるより正確に変化を特定します。
論文参考訳（メタデータ） (2024-06-12T09:21:28Z)
EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
論文参考訳（メタデータ） (2024-04-27T14:10:09Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
本稿では,新しい正規化の観点から一般化能力を高める。本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-07-24T05:43:34Z)
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)
Potential UAV Landing Sites Detection through Digital Elevation Models Analysis [6.167849162878745]
デジタル表面モデル(DSM)の画像勾配等級をしきい値にすることで、正常または緊急時におけるUAVの適切な着陸域を構成する平坦領域人工構造物や植生地域は、潜在的な上陸地点から検出され、除外される。
論文参考訳（メタデータ） (2021-07-14T18:13:35Z)
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)
Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach [10.72081512622396]
本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。 2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
論文参考訳（メタデータ） (2020-08-25T18:35:28Z)
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)
DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides [7.927831418004974]
本稿では,Dense-Decoder Network (DFPENet) を用いたロバストモデル Dense Feature Pyramid を開発した。 DFPENetモデルから抽出した画像特徴,地質学的特徴,時間分解能,地すべりの空間解析,移動学習を統合した共地震地すべり認識手法を提案する。
論文参考訳（メタデータ） (2019-08-28T19:07:40Z)

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。