論文の概要: Analysis and application of multispectral data for water segmentation using machine learning

• arxiv url: http://arxiv.org/abs/2212.08749v1
• Date: Fri, 16 Dec 2022 23:19:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 17:14:09.261256
• Title: Analysis and application of multispectral data for water segmentation using machine learning
• Title（参考訳）: 機械学習を用いた水分割のためのマルチスペクトルデータの解析と応用
• Authors: Shubham Gupta, Uma D., and Ramachandra Hebbar
• Abstract要約: 本研究では,セグメンテーションのためのSentinel-2製品で利用可能な13バンド中10バンドの性能を比較した。 短波赤外域(B11,B12)は水域のセグメンテーションに最も優れている。 適切な量のデータを選択することの有効性を示すため,人工ニューラルネットワークBandNetのトレーニングには,B11リフレクタンスデータのみを使用する。
• 参考スコア（独自算出の注目度）: 17.249770300587812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monitoring water is a complex task due to its dynamic nature, added pollutants, and land build-up. The availability of high-resolu-tion data by Sentinel-2 multispectral products makes implementing remote sensing applications feasible. However, overutilizing or underutilizing multispectral bands of the product can lead to inferior performance. In this work, we compare the performances of ten out of the thirteen bands available in a Sentinel-2 product for water segmentation using eight machine learning algorithms. We find that the shortwave infrared bands (B11 and B12) are the most superior for segmenting water bodies. B11 achieves an overall accuracy of $71\%$ while B12 achieves $69\%$ across all algorithms on the test site. We also find that the Support Vector Machine (SVM) algorithm is the most favourable for single-band water segmentation. The SVM achieves an overall accuracy of $69\%$ across the tested bands over the given test site. Finally, to demonstrate the effectiveness of choosing the right amount of data, we use only B11 reflectance data to train an artificial neural network, BandNet. Even with a basic architecture, BandNet is proportionate to known architectures for semantic and water segmentation, achieving a $92.47$ mIOU on the test site. BandNet requires only a fraction of the time and resources to train and run inference, making it suitable to be deployed on web applications to run and monitor water bodies in localized regions. Our codebase is available at https://github.com/IamShubhamGupto/BandNet.
• Abstract（参考訳）: 水質モニタリングは、その動的性質、汚染物質の追加、土地の造成などにより複雑な作業である。 sentinel-2マルチスペクトル製品による高精細度データの可用性により、リモートセンシングアプリケーションの実装が実現可能になる。 しかし、製品のマルチスペクトルバンドを過度に利用または過小評価すると、性能は低下する。 本研究では,8つの機械学習アルゴリズムを用いて,センチネル-2製品に含まれる13バンド中10バンドのパフォーマンスを比較した。 短波赤外帯 (b11, b12) は水域の分断に最適であることが判明した。 b11は全体の精度が71\%$、b12はテストサイトでの全アルゴリズムに対して69\%$である。 また,SVM (Support Vector Machine) アルゴリズムはシングルバンド水分割において最も好適であることがわかった。 SVMは、テストサイト上でのテストバンド全体で、全体的な精度が69.%である。 最後に、適切な量のデータを選択することの有効性を示すために、b11反射率データのみを使用して人工ニューラルネットワークであるbandnetを訓練する。 基本的なアーキテクチャであっても、BandNetはセマンティックとウォーターセグメンテーションの既知のアーキテクチャに比例し、テストサイトで92.47$ mIOUを達成した。 BandNetは推論のトレーニングと実行に必要な時間とリソースのごく一部しか必要とせず、ローカライズされたリージョンで水域を実行および監視するためにWebアプリケーションにデプロイされるのに適している。 私たちのコードベースはhttps://github.com/iamshubhamgupto/bandnetで利用可能です。

関連論文リスト

• Towards Automatic Power Battery Detection: New Challenge, Benchmark Dataset and Baseline [70.30473488226093]
  PBD(パワーバッテリ検出)と呼ばれる新しいタスクに関する総合的研究を行う。 X線画像から高密度陰極と陽極板のエンドポイントをローカライズし、電池の品質を評価することを目的としている。 我々は,多次元協調ネットワーク(MDCNet)と呼ばれるPBDのための新しいセグメンテーションベースソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-05T06:18:38Z)
• Spatial-information Guided Adaptive Context-aware Network for Efficient RGB-D Semantic Segmentation [9.198120596225968]
  計算パラメータを削減し,アルゴリズムの堅牢性を保証する,効率的な軽量エンコーダデコーダネットワークを提案する。 また,NYUv2,SUN RGB-D,Cityscapesのデータセットを用いた実験結果から,本手法は最先端手法よりもセグメンテーション精度,推定時間,パラメータのトレードオフが良好であることが示された。
  論文  参考訳（メタデータ） (2023-08-11T09:02:03Z)
• Tech Report: One-stage Lightweight Object Detectors [0.38073142980733]
  この研究は、mAPと遅延の点でよく機能するワンステージ軽量検出器を設計するためのものである。 GPUとCPUを対象とするベースラインモデルでは、ベースラインモデルのバックボーンネットワークにおけるメイン操作の代わりに、さまざまな操作が適用される。
  論文  参考訳（メタデータ） (2022-10-31T09:02:37Z)
• Rejecting noise in Baikal-GVD data with neural networks [0.0]
  本稿では,相対論的粒子の伝搬から発する信号からのノイズヒットを効率的に分離するニューラルネットワークを提案する。 ネットワークのメトリクスは、モンテカルロシミュレーションデータセット上で99%の信号純度(精度)と96%の生存効率(リコール)に達する。
  論文  参考訳（メタデータ） (2022-10-10T12:56:44Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Are we ready for beyond-application high-volume data? The Reeds robot perception benchmark dataset [3.781421673607643]
  本稿ではロボット認識アルゴリズムの研究のためにReedsと呼ばれるデータセットを提案する。 このデータセットは、アプリケーション固有のソリューションをテストする環境を提供するのではなく、アルゴリズムに要求されるベンチマーク機会を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-09-16T23:21:42Z)
• Coarse-to-Fine Searching for Efficient Generative Adversarial Networks [43.21560798088658]
  GAN(Generative Adversarial Network)は通常、様々な複雑な画像生成を行うように設計されている。 まず,経路,演算子,チャネルなど3次元のジェネレータネットワークの無傷検索空間を探索し,ネットワーク性能の完全な探索を行う。 探索コストを大幅に削減するため,探索プロセス全体を3つのサブ最適化問題に分割する粗大な探索戦略を探索する。
  論文  参考訳（メタデータ） (2021-04-19T11:46:20Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)

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。