論文の概要: Building Height Prediction with Instance Segmentation

• arxiv url: http://arxiv.org/abs/2212.09277v1
• Date: Mon, 19 Dec 2022 07:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 17:42:22.203835
• Title: Building Height Prediction with Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションによるビルの高さ予測
• Authors: Furkan Burak Bagci, Ahmet Alp Kindriroglu, Metehan Yalcin, Ufuk Uyan, Mahiye Uluyagmur Ozturk
• Abstract要約: 本稿では, 一つのRGB衛星画像からビルディングマスクを推定するために, ケースセグメンテーションに基づくビルディング高さ抽出手法を提案する。 我々は,移動学習手法を用いたオープンソースの衛星データセットとともに,特定の都市の標高アノテーションを組み込んだ衛星画像を用いた。 我々は,テストセット内の各高さクラスに属する建物の平均精度を70%とし,境界箱mAP 59,マスクmAP 52.6に到達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting building heights from satellite images is an active research area used in many fields such as telecommunications, city planning, etc. Many studies utilize DSM (Digital Surface Models) generated with lidars or stereo images for this purpose. Predicting the height of the buildings using only RGB images is challenging due to the insufficient amount of data, low data quality, variations of building types, different angles of light and shadow, etc. In this study, we present an instance segmentation-based building height extraction method to predict building masks with their respective heights from a single RGB satellite image. We used satellite images with building height annotations of certain cities along with an open-source satellite dataset with the transfer learning approach. We reached, the bounding box mAP 59, the mask mAP 52.6, and the average accuracy value of 70% for buildings belonging to each height class in our test set.
• Abstract（参考訳）: 衛星画像から建物の高さを抽出することは、電気通信、都市計画など多くの分野で使われている活発な研究分野である。 多くの研究は、ライダーやステレオ画像で生成されたDSM(Digital Surface Models)を利用している。 rgb画像のみを使用して建物の高さを予測することは、データの不足、データ品質の低下、建物タイプの変化、光と影の角度の違いなどにより困難である。 本研究では,1枚のRGB衛星画像から各高さのビルディングマスクを推定するための,ケースセグメンテーションに基づくビルディングハイト抽出手法を提案する。 我々は,移動学習を用いたオープンソースの衛星データセットとともに,特定の都市の標高アノテーションを組み込んだ衛星画像を用いた。 我々は,テストセット内の各高さクラスに属する建物の平均精度を70%とし,境界箱mAP 59,マスクmAP 52.6に到達した。

関連論文リスト

• Building Height Estimation Using Shadow Length in Satellite Imagery [2.7548979811246292]
  衛星画像から建物の高さを推定することは、特に単眼画像を使用する場合、大きな課題となる。 そこで我々は、まず建物とその影を衛星画像に配置する手法を提案した。 提案手法を42の異なる都市で評価した結果,提案手法が最先端の手法をはるかに上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-14T13:06:18Z)
• 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)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Building Floorspace in China: A Dataset and Learning Pipeline [0.32228025627337864]
  本稿は、中国40大都市における建物の床面積を計測する最初のマイルストーンを提供する。 我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。 データ、アルゴリズム、評価の詳細な説明を提供する。
  論文  参考訳（メタデータ） (2023-03-03T21:45:36Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Buildings Classification using Very High Resolution Satellite Imagery [0.769672852567215]
  住宅・非住宅の建物被害評価(BDA)とビルタイプ分類(BTC)に着目した。 まず,意味的セグメンテーションモデルを用いて建物の足跡を抽出する2段階のディープラーニング手法を提案する。 提案手法をF1スコアの精度と精度を示す2つのアプリケーションで検証する。
  論文  参考訳（メタデータ） (2021-11-29T16:07:04Z)
• Wide-Depth-Range 6D Object Pose Estimation in Space [124.94794113264194]
  宇宙での6Dポーズ推定は、地上環境では一般的に遭遇しないユニークな課題を引き起こします。 最も顕著な違いの1つは、大気の散乱の欠如であり、物体を遠くから見えるようにします。 本稿では,単一段階の階層型エンドツーエンドトレーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T08:39:26Z)
• Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
  航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。 提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
  論文  参考訳（メタデータ） (2021-02-24T11:20:55Z)
• Holistic Multi-View Building Analysis in the Wild with Projection Pooling [18.93067906200084]
  細粒度構造属性に関連する6つの異なる分類課題に対処する。 このようなリモート・ビルディング・アナリティクスの問題に対処することは、都市景観の大規模データセットの増大により、最近になって可能になった。 9674棟の49426画像(トップビューとストリートビュー)からなる新しいベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2020-08-23T13:49:22Z)
• Deep Learning Guided Building Reconstruction from Satellite Imagery-derived Point Clouds [39.36437891978871]
  衛星画像から生成された点雲からモデル再構成を構築するための信頼性が高く効果的な手法を提案する。 具体的には、複雑で騒々しい場面で建築屋根の形状を区別するために、ディープラーニングのアプローチが採用されている。 大規模都市モデル生成の一般ニーズに対処する最初の取り組みとして、開発はオープンソースソフトウェアとして展開されている。
  論文  参考訳（メタデータ） (2020-05-19T05:38:06Z)
• Counting dense objects in remote sensing images [52.182698295053264]
  特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。 本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。 これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-02-14T09:13:54Z)

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。