論文の概要: Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery
- arxiv url: http://arxiv.org/abs/2212.13613v1
- Date: Tue, 27 Dec 2022 20:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:12:44.235115
- Title: Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery
- Title(参考訳): マルチスペクトルおよびパンクロマティック商業衛星画像によるサブメートル分解能における河川分類のための深層学習モデル
- Authors: Joachim Moortgat, Ziwei Li, Michael Durand, Ian Howat, Bidhyananda
Yadav, Chunli Dai
- Abstract要約: この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
- 参考スコア(独自算出の注目度): 2.121978045345352
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Remote sensing of the Earth's surface water is critical in a wide range of
environmental studies, from evaluating the societal impacts of seasonal
droughts and floods to the large-scale implications of climate change.
Consequently, a large literature exists on the classification of water from
satellite imagery. Yet, previous methods have been limited by 1) the spatial
resolution of public satellite imagery, 2) classification schemes that operate
at the pixel level, and 3) the need for multiple spectral bands. We advance the
state-of-the-art by 1) using commercial imagery with panchromatic and
multispectral resolutions of 30 cm and 1.2 m, respectively, 2) developing
multiple fully convolutional neural networks (FCN) that can learn the
morphological features of water bodies in addition to their spectral
properties, and 3) FCN that can classify water even from panchromatic imagery.
This study focuses on rivers in the Arctic, using images from the Quickbird,
WorldView, and GeoEye satellites. Because no training data are available at
such high resolutions, we construct those manually. First, we use the RGB, and
NIR bands of the 8-band multispectral sensors. Those trained models all achieve
excellent precision and recall over 90% on validation data, aided by on-the-fly
preprocessing of the training data specific to satellite imagery. In a novel
approach, we then use results from the multispectral model to generate training
data for FCN that only require panchromatic imagery, of which considerably more
is available. Despite the smaller feature space, these models still achieve a
precision and recall of over 85%. We provide our open-source codes and trained
model parameters to the remote sensing community, which paves the way to a wide
range of environmental hydrology applications at vastly superior accuracies and
2 orders of magnitude higher spatial resolution than previously possible.
- Abstract(参考訳): 地球の表層水のリモートセンシングは、季節的な干ばつや洪水による社会的な影響の評価から、気候変動の大規模な影響まで、幅広い環境研究において重要である。
その結果、衛星画像からの水の分類に関する文献が多数存在する。
しかし、従来の方法は制限されている。
1)公共衛星画像の空間分解能
2)画素レベルで動作する分類スキーム,及び
3)多重スペクトル帯の必要性。
我々は最先端の技術を推し進める
1) パンクロマティックおよびマルチスペクトル分解能をそれぞれ30cm, 1.2mの商業画像を用いて検討した。
2)複数の完全畳み込みニューラルネットワーク(FCN)を開発し,そのスペクトル特性に加えて水体の形態的特徴を学習する。
3)パンクロマトグラフィー画像からでも水を分類できるFCN。
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
このような高解像度のトレーニングデータがないため、手作業で構築する。
まず、8バンドマルチスペクトルセンサのRGBとNIRバンドを使用する。
これらの訓練されたモデルはいずれも優れた精度を達成し、衛星画像に特有のトレーニングデータのオンザフライ前処理によって、検証データの90%以上をリコールする。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
機能空間は小さいものの、これらのモデルは精度と85%以上のリコールを実現している。
当社のオープンソースコードとトレーニングされたモデルパラメータをリモートセンシングコミュニティに提供することで、従来よりも非常に優れた精度と2桁高い空間解像度で、幅広い環境水文学アプリケーションへの道を開くことができます。
関連論文リスト
- DiffusionSat: A Generative Foundation Model for Satellite Imagery [66.0062252900165]
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) - Generating an interactive online map of future sea level rise along the
North Shore of Vancouver: methods and insights on enabling geovisualisation
for coastal communities [0.0]
研究地域はカナダのブリティッシュコロンビア州バンクーバーのノースショアであった。
我々は,高解像度で垂直精度の1mのLiDARのオープンアクセスを探索した。
様々なSLRシナリオにおいて, 浸水帯を規定する水文接続型浴槽法モデルを用いて検討した。
ディープラーニングと3D可視化は、過去、現在、そして将来の土地利用/土地被覆と3Dをモデル化するために使用された。
論文 参考訳(メタデータ) (2023-04-15T04:12:55Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳(メタデータ) (2023-04-14T14:40:32Z) - GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery [2.342488890032597]
本稿では,250個の衛星画像と手動による表層水アノテーションからなるGLH-waterデータセットを提案する。
それぞれの画像サイズは12,800ドル(約12,800円)で、空間解像度0.3mの12,800ピクセル。
GLH-waterのベンチマークを構築するために,代表表面水検出モデル,一般的なセマンティックセグメンテーションモデル,超高分解能セグメンテーションモデルを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-03-16T13:35:56Z) - Towards Transformer-based Homogenization of Satellite Imagery for
Landsat-8 and Sentinel-2 [1.4699455652461728]
Landsat-8(NASA)とSentinel-2(ESA)は、公開データを提供する2つの著名なマルチスペクトルイメージング衛星プロジェクトである。
この研究は、両方の衛星プロジェクトから観測されるスペクトルと空間の差を減らすために、トランスフォーマーベースのモデルを使用する可能性について、一目でわかる。
論文 参考訳(メタデータ) (2022-10-14T09:13:34Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳(メタデータ) (2022-09-02T17:44:50Z) - Learning a Sensor-invariant Embedding of Satellite Data: A Case Study
for Lake Ice Monitoring [19.72060218456938]
我々は、ディープニューラルネットワーク内にセンサー不変のジョイント埋め込みを学習する。
我々の応用課題はアルプス湖における湖氷のモニタリングである。
衛星データを融合させることで、湖氷を1.5日間の時間分解能でマッピングする。
論文 参考訳(メタデータ) (2021-07-19T18:11:55Z) - Big Plastic Masses Detection using Sentinel 2 Images [91.3755431537592]
このコミュニケーションは、地球観測衛星システムを用いて、海や海におけるプラスチック(海洋ゴミ)の大きな塊の検出に関する予備的な研究を記述している。
論文 参考訳(メタデータ) (2021-03-17T10:45:33Z) - Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A
Hidden Markov Tree Approach [10.72081512622396]
本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。
2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。
その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
論文 参考訳(メタデータ) (2020-08-25T18:35:28Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳(メタデータ) (2020-07-30T19:14:00Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳(メタデータ) (2020-03-02T17:49:32Z)
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。