論文の概要: Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes

• arxiv url: http://arxiv.org/abs/2211.02869v1
• Date: Sat, 5 Nov 2022 10:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:58:07.117350
• Title: Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes
• Title（参考訳）: 合成開口レーダ(SAR)データキューブを用いた高速地すべり検出のための深層学習
• Authors: Vanessa Boehm, Wei Ji Leong, Ragini Bal Mahesh, Ioannis Prapas, Edoardo Nemni, Freddie Kalaitzis, Siddha Ganju, Raul Ramos-Pollan
• Abstract要約: 我々は,地球規模で4つの地すべりイベントに対して,事前処理,機械学習可能なSARデータキューブを提供する。 教師付き深層学習(DL)によるSAR地すべり検出の可能性について検討する。 DLモデルは、SARデータから地すべりを検知し、精度-リコール曲線0.7を超えるエリアを達成できる。
• 参考スコア（独自算出の注目度）: 0.8208704543835964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With climate change predicted to increase the likelihood of landslide events, there is a growing need for rapid landslide detection technologies that help inform emergency responses. Synthetic Aperture Radar (SAR) is a remote sensing technique that can provide measurements of affected areas independent of weather or lighting conditions. Usage of SAR, however, is hindered by domain knowledge that is necessary for the pre-processing steps and its interpretation requires expert knowledge. We provide simplified, pre-processed, machine-learning ready SAR datacubes for four globally located landslide events obtained from several Sentinel-1 satellite passes before and after a landslide triggering event together with segmentation maps of the landslides. From this dataset, using the Hokkaido, Japan datacube, we study the feasibility of SAR-based landslide detection with supervised deep learning (DL). Our results demonstrate that DL models can be used to detect landslides from SAR data, achieving an Area under the Precision-Recall curve exceeding 0.7. We find that additional satellite visits enhance detection performance, but that early detection is possible when SAR data is combined with terrain information from a digital elevation model. This can be especially useful for time-critical emergency interventions. Code is made publicly available at https://github.com/iprapas/landslide-sar-unet.
• Abstract（参考訳）: 気候変動が地すべり発生の可能性を高めると予測される中、緊急対応を知らせる迅速な地すべり検出技術の必要性が高まっている。 合成開口レーダ(英: Synthetic Aperture Radar、SAR)は、気象や照明条件によらず、影響を受ける地域を計測するリモートセンシング技術である。 しかし、SARの使用は前処理ステップに必要なドメイン知識によって妨げられ、その解釈には専門家の知識が必要である。 我々は、いくつかのSentinel-1衛星から得られた4つの地球規模の地すべりイベントに対して、単純化された機械学習可能なSARデータキューブを提供する。 本研究では,北海道データキューブを用いて,教師付き深層学習(dl)によるsarによる地すべり検出の可能性について検討した。 以上の結果から,SARデータからの地すべり検出にDLモデルを用いることで,精度-リコール曲線0.7を超えるエリアを達成できることが示唆された。 しかし,SARデータと地形情報を組み合わせたデジタル標高モデルでは早期検出が可能であることが判明した。 これは特に時間的緊急介入に有用である。 コードはhttps://github.com/iprapas/landslide-sar-unetで公開されている。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset [0.9029386959445269]
  我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。 また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。 データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
  論文  参考訳（メタデータ） (2023-11-15T18:49:29Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• Deep learning based landslide density estimation on SAR data for rapid response [0.8208704543835964]
  本研究の目的は,SAR(Synthetic Aperture Radar)衛星画像を用いて地すべり密度の推定を行い,緊急時の資源の優先順位を決定することである。 米国地質調査所(USGS)の地すべり調査データを用いて,プエルトリコのハリケーン・マリア(Hurricane Mar'ia)の後に専門家が注釈を付けた。 本手法は,チップレベルでの正密度推定クラスの予測において0.814 AUCを得る。
  論文  参考訳（メタデータ） (2022-11-18T16:50:02Z)
• SAR-based landslide classification pretraining leads to better segmentation [0.8208704543835964]
  自然災害後の迅速な評価は、緊急資源の優先順位付けの鍵となる。 ディープラーニングアルゴリズムはSARデータに適用可能だが、トレーニングには大きなラベル付きデータセットが必要である。 本稿では,SAR製品における地すべりセグメンテーションの深層学習アルゴリズムが事前学習の恩恵を受けるかを検討する。
  論文  参考訳（メタデータ） (2022-11-17T22:57:18Z)
• Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR Image Retrieval [31.974530072369753]
  サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。 ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-09-29T18:17:56Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• SpaceNet 6: Multi-Sensor All Weather Mapping Dataset [13.715388432549373]
  オープンなMulti-Sensor All Weather Mapping (MSAW)データセットと課題について述べる。 MSAWは複数の重なり合う集合体を120 km2で覆っており、48,000以上のユニークな建物フットプリントラベルがアノテートされている。 我々は,SARデータを用いた足跡抽出のためのベースラインとベンチマークを提案し,光学データに基づいて事前訓練された最先端セグメンテーションモデルを発見し,SARで訓練した。
  論文  参考訳（メタデータ） (2020-04-14T13:43:11Z)

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。