論文の概要: An Interpretable Deep Semantic Segmentation Method for Earth Observation

• arxiv url: http://arxiv.org/abs/2210.12820v1
• Date: Sun, 23 Oct 2022 18:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 17:28:35.352428
• Title: An Interpretable Deep Semantic Segmentation Method for Earth Observation
• Title（参考訳）: 地球観測のための解釈可能な深部セマンティックセグメンテーション法
• Authors: Ziyang Zhang, Plamen Angelov, Eduardo Soares, Nicolas Longepe, Pierre Philippe Mathieu
• Abstract要約: プロトタイプベースの解釈可能なディープセマンティックセマンティックセグメンテーション(IDSS)手法を提案する。 そのパラメータは、U-Netのようなディープネットワークで使用されるパラメータの数よりも桁違いに小さく、明らかに人間によって解釈される。 その結果、IDSSは、IoU (Intersection over Union) の総水量とリコール総水量の観点から、U-Netを含む他のアルゴリズムを上回る可能性があることが示された。
• 参考スコア（独自算出の注目度）: 0.7499722271664145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth observation is fundamental for a range of human activities including flood response as it offers vital information to decision makers. Semantic segmentation plays a key role in mapping the raw hyper-spectral data coming from the satellites into a human understandable form assigning class labels to each pixel. In this paper, we introduce a prototype-based interpretable deep semantic segmentation (IDSS) method, which is highly accurate as well as interpretable. Its parameters are in orders of magnitude less than the number of parameters used by deep networks such as U-Net and are clearly interpretable by humans. The proposed here IDSS offers a transparent structure that allows users to inspect and audit the algorithm's decision. Results have demonstrated that IDSS could surpass other algorithms, including U-Net, in terms of IoU (Intersection over Union) total water and Recall total water. We used WorldFloods data set for our experiments and plan to use the semantic segmentation results combined with masks for permanent water to detect flood events.
• Abstract（参考訳）: 地球観測は、意思決定者にとって重要な情報を提供するため、洪水応答を含む様々な人間の活動に欠かせない。 セマンティクスセグメンテーションは、衛星からの生のハイパースペクトルデータを、各ピクセルにクラスラベルを割り当てる人間の理解可能なフォームにマッピングする上で重要な役割を果たす。 本稿では,高い精度と解釈性を有するidss法について,プロトタイプベースで解釈可能な深層意味セグメンテーション(idss)法を提案する。 そのパラメータはu-netのようなディープネットワークで使われるパラメータの数よりも桁違いに小さく、人間が明確に解釈できる。 提案したIDSSは、ユーザーがアルゴリズムの決定を検査し、監査できる透明な構造を提供する。 結果は、IoU (Intersection over Union) 総水量とリコール総水量の観点から、IDSSがU-Netを含む他のアルゴリズムを上回ることを示した。 worldfloodsデータセットを実験に使用し,セマンティクスセグメンテーション結果と仮面を併用して洪水イベントを検知する計画を示した。

関連論文リスト

• LAC-Net: Linear-Fusion Attention-Guided Convolutional Network for Accurate Robotic Grasping Under the Occlusion [79.22197702626542]
  本稿では, 乱れ場面におけるロボットグルーピングのためのアモーダルセグメンテーションを探求する枠組みを提案する。 線形融合注意誘導畳み込みネットワーク(LAC-Net)を提案する。 その結果,本手法が最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-06T14:50:48Z)
• Evaluating the Efficacy of Cut-and-Paste Data Augmentation in Semantic Segmentation for Satellite Imagery [4.499833362998487]
  本研究では,衛星画像のセマンティックセグメンテーションにおけるカット・アンド・ペースト拡張手法の有効性について検討した。 私たちは、通常ラベル付きインスタンスを必要とするこの拡張を、セマンティックセグメンテーションのケースに適用します。 評価のためにDynamicEarthNetデータセットとU-Netモデルを用いて、この拡張により、テストセットのmIoUスコアが37.9から44.1に大幅に向上することを発見した。
  論文  参考訳（メタデータ） (2024-04-08T17:18:30Z)
• Resolution-Aware Design of Atrous Rates for Semantic Segmentation Networks [7.58745191859815]
  DeepLabはセマンティックセグメンテーションに広く使用されているディープニューラルネットワークであり、その成功は、アトラス空間ピラミッドプール(ASPP)と呼ばれる並列アーキテクチャによるものである。 アラスレートの固定値は、視野のサイズを制限するASPPモジュールに使用される。 本研究は,最適アラスレートを得るための実践的ガイドラインを提案する。
  論文  参考訳（メタデータ） (2023-07-26T13:11:48Z)
• Human Semantic Segmentation using Millimeter-Wave Radar Sparse Point Clouds [3.3888257250564364]
  本稿では,ミリ波レーダの粗い逐次点雲のセマンティックセグメンテーションのためのフレームワークを提案する。 mmWaveデータの空間的特徴と時間的トポロジ的特徴は依然として問題である。 グラフ構造とトポロジ的特徴をポイントクラウドに導入し,セマンティックセグメンテーションフレームワークを提案する。 我々のモデルは、$mathbf82.31%$でカスタムデータセットの平均精度を達成し、最先端のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2023-04-27T12:28:06Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• An Underwater Image Semantic Segmentation Method Focusing on Boundaries and a Real Underwater Scene Semantic Segmentation Dataset [41.842352295729555]
  実シーンの最初の水中セマンティックセマンティックセグメンテーションデータセット(DUT-USEG:DUT水中データセット)をラベル付けし、確立する。 境界に着目した半教師付き水中セマンティックセグメンテーションネットワーク(US-Net:水中ネットワーク)を提案する。 実験の結果,DUT-USEGデータセットのホロトゥリアン,キチナス,ヒトデ,および最先端の3つのカテゴリーにおいて,提案手法が6.7%向上することが確認された。
  論文  参考訳（メタデータ） (2021-08-26T12:05:08Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• S3Net: 3D LiDAR Sparse Semantic Segmentation Network [1.330528227599978]
  S3NetはLiDARポイントクラウドセマンティックセグメンテーションのための新しい畳み込みニューラルネットワークである。 sparse intra-channel attention module (sintraam)とsparse inter-channel attention module (sinteram)で構成されるエンコーダ-デコーダバックボーンを採用する。
  論文  参考訳（メタデータ） (2021-03-15T22:15:24Z)

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。