Fugu-MT 論文翻訳(概要): Unsupervised Flood Detection on SAR Time Series

論文の概要: Unsupervised Flood Detection on SAR Time Series

arxiv url: http://arxiv.org/abs/2212.03675v1
Date: Wed, 7 Dec 2022 14:42:33 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 16:23:30.650637
Title: Unsupervised Flood Detection on SAR Time Series
Title（参考訳）: SAR時系列における教師なし洪水検出
Authors: Ritu Yadav, Andrea Nascetti, Hossein Azizpour, Yifang Ban
Abstract要約: 変化検出(CD)手法は、早期の災害のリスクを特定するのに役立つ。本研究では,時系列SAR(Synthetic Aperture Radar)データに基づく新しい教師なしCD手法を提案する。提案モデルは平均64.53%のインターセクションオーバーユニオン(IoU)値と75.43%のF1スコアを得た。
参考スコア（独自算出の注目度）: 2.141079906482723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Human civilization has an increasingly powerful influence on the earth system. Affected by climate change and land-use change, natural disasters such as flooding have been increasing in recent years. Earth observations are an invaluable source for assessing and mitigating negative impacts. Detecting changes from Earth observation data is one way to monitor the possible impact. Effective and reliable Change Detection (CD) methods can help in identifying the risk of disaster events at an early stage. In this work, we propose a novel unsupervised CD method on time series Synthetic Aperture Radar~(SAR) data. Our proposed method is a probabilistic model trained with unsupervised learning techniques, reconstruction, and contrastive learning. The change map is generated with the help of the distribution difference between pre-incident and post-incident data. Our proposed CD model is evaluated on flood detection data. We verified the efficacy of our model on 8 different flood sites, including three recent flood events from Copernicus Emergency Management Services and six from the Sen1Floods11 dataset. Our proposed model achieved an average of 64.53\% Intersection Over Union(IoU) value and 75.43\% F1 score. Our achieved IoU score is approximately 6-27\% and F1 score is approximately 7-22\% better than the compared unsupervised and supervised existing CD methods. The results and extensive discussion presented in the study show the effectiveness of the proposed unsupervised CD method.
Abstract（参考訳）: 人類文明は地球系にますます強い影響を与えている。気候変動や土地利用の変化の影響を受けて、近年は洪水などの自然災害が増加している。地球観測は、負の影響を評価し緩和するための貴重な情報源である。地球観測データから変化を検出することは、その影響を監視する方法のひとつだ。効果的かつ信頼性の高い変更検出(CD)手法は,早期の災害発生リスクの同定に有効である。本研究では,時系列Synthetic Aperture Radar~(SAR)データに基づく新しい教師なしCD手法を提案する。提案手法は,教師なし学習手法,再構築,コントラスト学習を訓練した確率論的モデルである。変更マップは、プリインシデントデータとポストインシデントデータとの分布差の助けを借りて生成される。提案するCDモデルは,洪水検出データに基づいて評価する。我々はCopernicus Emergency Management Servicesの3つの洪水イベントとSen1Floods11データセットの6つの洪水イベントを含む8つの異なる洪水現場でのモデルの有効性を検証した。提案モデルでは平均64.53\%のインターセクションオーバーユニオン(IoU)値と75.43\%のF1スコアを得た。達成されたiouスコアは約6-27\%であり、f1スコアは比較なしおよび教師なしの既存のcdメソッドよりも約7-22\%良い。本研究の成果と広範な議論により,提案手法の有効性が示された。

関連論文リスト

Flood Data Analysis on SpaceNet 8 Using Apache Sedona [4.802565443109335]
SpaceNet8は、最先端の人工知能技術を利用して洪水の危険を評価するユニークな機会を提供する。本稿では,洪水被害検出における不正確な問題に対処する新しいアプローチを提案する。これらの改善の後、我々の指標は顕著な改善を示し、精度は5%、F1は2.6%、IoUは4.5%向上した。
論文参考訳（メタデータ） (2024-04-28T16:29:22Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
論文参考訳（メタデータ） (2023-09-03T03:37:04Z)
Context-Aware Change Detection With Semi-Supervised Learning [0.0]
地球観測データを用いた変化検出は、被災地における災害の影響を定量化する上で重要な役割を担っている。 Sentinel-2のようなデータソースは、豊富な光学情報を提供するが、しばしば雲のカバーによって妨げられる。本研究では,変更検出タスクにおけるSentinel-2データのコントリビューションを評価するモデルを開発した。
論文参考訳（メタデータ） (2023-06-15T08:17:49Z)
Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文参考訳（メタデータ） (2023-03-16T17:52:45Z)
Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文参考訳（メタデータ） (2022-07-29T22:35:05Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Deep Learning-based Damage Mapping with InSAR Coherence Time Series [3.286503080462008]
本研究では, 深層学習とSAR観測のフルタイム履歴を組み合わせた損傷マッピング手法を提案する。我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。本研究では,Sentinel-1 SAR の複数年連続取得による3つの地震の被害予測に本手法を適用した。
論文参考訳（メタデータ） (2021-05-24T21:21:03Z)
Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。今後はOOD体制に重点を置くべきだと我々は主張する。
論文参考訳（メタデータ） (2020-11-20T10:30:43Z)
A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data [0.965964228590342]
この調査ではテキサス州ハリス郡をテストベッドとし、3つの歴史的な洪水からチャネルセンサーのデータを得た。このモデルは、2019年のヒューストンのイメルダ洪水を予測するためにテストされ、その結果は経験的な洪水とよく一致している。
論文参考訳（メタデータ） (2020-06-15T17:25:34Z)

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。