論文の概要: SAR-based landslide classification pretraining leads to better
segmentation
- arxiv url: http://arxiv.org/abs/2211.09927v1
- Date: Thu, 17 Nov 2022 22:57:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:53:03.368864
- Title: SAR-based landslide classification pretraining leads to better
segmentation
- Title（参考訳）: SARによる地すべり事前訓練によるセグメンテーションの改善
- Authors: Vanessa B\"ohm, Wei Ji Leong, Ragini Bal Mahesh, Ioannis Prapas,
Edoardo Nemni, Freddie Kalaitzis, Siddha Ganju, Raul Ramos-Pollan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8208704543835964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid assessment after a natural disaster is key for prioritizing emergency
resources. In the case of landslides, rapid assessment involves determining the
extent of the area affected and measuring the size and location of individual
landslides. Synthetic Aperture Radar (SAR) is an active remote sensing
technique that is unaffected by weather conditions. Deep Learning algorithms
can be applied to SAR data, but training them requires large labeled datasets.
In the case of landslides, these datasets are laborious to produce for
segmentation, and often they are not available for the specific region in which
the event occurred. Here, we study how deep learning algorithms for landslide
segmentation on SAR products can benefit from pretraining on a simpler task and
from data from different regions. The method we explore consists of two
training stages. First, we learn the task of identifying whether a SAR image
contains any landslides or not. Then, we learn to segment in a sparsely labeled
scenario where half of the data do not contain landslides. We test whether the
inclusion of feature embeddings derived from stage-1 helps with landslide
detection in stage-2. We find that it leads to minor improvements in the Area
Under the Precision-Recall Curve, but also to a significantly lower false
positive rate in areas without landslides and an improved estimate of the
average number of landslide pixels in a chip. A more accurate pixel count
allows to identify the most affected areas with higher confidence. This could
be valuable in rapid response scenarios where prioritization of resources at a
global scale is important. We make our code publicly available at
https://github.com/VMBoehm/SAR-landslide-detection-pretraining.
- Abstract（参考訳）: 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。
地すべりの場合,急激な評価は影響範囲の特定と,個々の地すべりの大きさと位置を計測することを伴う。
SAR(Synthetic Aperture Radar)は、気象条件の影響を受けないリモートセンシング技術である。
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。
地すべりの場合、これらのデータセットはセグメンテーションのために作成するのに苦労し、イベントが発生した特定の領域では使用できないことが多い。
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,より簡単なタスクと異なる領域のデータから事前学習することのメリットについて検討する。
探索方法は2つの訓練段階から構成される。
まず、SAR画像が地すべりを含むか否かを識別するタスクを学習する。
そして,データの半分が地すべりを含まない,緩やかにラベル付けされたシナリオでセグメント化することを学ぶ。
ステージ1から抽出した特徴埋め込みがステージ2の地すべり検出に有用かどうかを検証した。
また, 高精度リコール曲線の下では, 地すべりのない地域での偽陽性率が著しく低くなり, チップ内の地すべり画素数の平均推定値も改善された。
より正確なピクセルカウントは、最も影響の大きい領域を高い信頼性で識別することができる。
これは、グローバルな規模でのリソースの優先順位付けが重要である、迅速な応答シナリオにおいて有用である。
コードはhttps://github.com/VMBoehm/SAR-landslide-detection-pretrainingで公開しています。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(RvA)を紹介する。
RvAは、文書検索と同様の画像位置情報を扱い、リコールを領域の関数として測定する。
次に、複数のソースからの情報を組み込んでドメインシフトに対処する、グローバルな画像位置情報に対する単純なアンサンブルアプローチについて検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Localization Is All You Evaluate: Data Leakage in Online Mapping Datasets and How to Fix It [2.1665407462280446]
State-of-the-artメソッドは主にnuScenesとArgoverse 2データセットを使用してトレーニングされている。
nuScenesの80ドル以上、Argoverse 2のバリデーションとテストサンプルの40ドル以上は、トレーニングサンプルから5ドル以下である。
本研究では,地理的に不連続なデータ分割を提案し,未知の環境における真の性能を明らかにする。
論文 参考訳（メタデータ） (2023-12-11T14:43:23Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - 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) - Deep Learning for Rapid Landslide Detection using Synthetic Aperture
Radar (SAR) Datacubes [0.8208704543835964]
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。
論文 参考訳（メタデータ） (2022-11-05T10:31:57Z) - Relict landslide detection using Deep-Learning architectures for image
segmentation in rainforest areas: A new framework [0.5735035463793008]
地すべりの半自動検出のための新しいCNNフレームワークを提案する。
合計42種類のCNNがテストされている。
提案手法の予測はより正確で, より正確な地すべり検出が可能であった。
論文 参考訳（メタデータ） (2022-08-04T14:46:02Z) - 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) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳（メタデータ） (2021-06-27T09:31:49Z)
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。