論文の概要: Boundary Aware U-Net for Glacier Segmentation
- arxiv url: http://arxiv.org/abs/2301.11454v1
- Date: Thu, 26 Jan 2023 22:58:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 16:58:05.254798
- Title: Boundary Aware U-Net for Glacier Segmentation
- Title(参考訳): 氷河セグメンテーションのための境界認識U-Net
- Authors: Bibek Aryal, Katie E. Miles, Sergio A. Vargas Zesati, Olac Fuentes
- Abstract要約: 大規模で空間的に重複しないクリーンな氷河氷と破片で覆われた氷河氷の分断のために,U-Netの修正版を提案する。
破砕した氷河氷のセグメンテーション性能を向上させるために, 新たな自己学習境界認識損失を導入する。
我々は、ランドサット7号の画像から、赤、短波赤外、近赤外線の帯が、破片で覆われた氷河の分断に最も寄与していると結論付けた。
- 参考スコア(独自算出の注目度): 1.1715858161748574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale study of glaciers improves our understanding of global glacier
change and is imperative for monitoring the ecological environment, preventing
disasters, and studying the effects of global climate change. Glaciers in the
Hindu Kush Himalaya (HKH) are particularly interesting as the HKH is one of the
world's most sensitive regions for climate change. In this work, we: (1)
propose a modified version of the U-Net for large-scale, spatially
non-overlapping, clean glacial ice, and debris-covered glacial ice
segmentation; (2) introduce a novel self-learning boundary-aware loss to
improve debris-covered glacial ice segmentation performance; and (3) propose a
feature-wise saliency score to understand the contribution of each feature in
the multispectral Landsat 7 imagery for glacier mapping. Our results show that
the debris-covered glacial ice segmentation model trained using self-learning
boundary-aware loss outperformed the model trained using dice loss.
Furthermore, we conclude that red, shortwave infrared, and near-infrared bands
have the highest contribution toward debris-covered glacial ice segmentation
from Landsat 7 images.
- Abstract(参考訳): 氷河の大規模研究は、地球規模の氷河変化の理解を改善し、生態環境のモニタリング、災害の防止、地球規模の気候変動の影響の研究に不可欠である。
ヒンドゥー・クシュ・ヒマラヤ(hkh)の氷河は、hkhが気候変動に最も敏感な地域のひとつであるため、特に興味深い。
本研究では,(1)大規模で空間的に重複しない,クリーンな氷河氷,および破砕氷のセグメンテーションのためのU-Netの修正版を提案し,(2)破砕氷のセグメンテーション性能を改善するための新たな自己学習境界認識損失を導入し,(3)多スペクトルランドサット7画像における各特徴の寄与を理解するための特徴的サリエンシスコアを提案する。
以上の結果から, 氷河氷分別モデルでは, 自己学習による氷分分別モデルの方が, ダイス損失モデルよりも優れていた。
また,赤,短波赤外線,近赤外帯は,ランドサット7号画像からの氷氷分画に最も寄与していると結論づけた。
関連論文リスト
- Towards Global Glacier Mapping with Deep Learning and Open Earth
Observation Data [0.7851536646859476]
Glacier-VisionTransformer-U-Net (GlaViTU) は畳み込み変換型ディープラーニングモデルである。
オープン衛星画像を用いた多時空間規模の氷河マッピングのための5つの戦略を提案する。
論文 参考訳(メタデータ) (2024-01-25T20:41:17Z) - Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。
本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。
この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-10-17T09:14:35Z) - GlacierNet2: A Hybrid Multi-Model Learning Architecture for Alpine
Glacier Mapping [5.953569982292301]
氷河の幾何学に関するテーマ的かつ定量的な情報は、気候変動に対する氷河の強制と感受性を理解するのに不可欠である。
デブリ被覆氷河(DCG)の正確なマッピングは、スペクトル情報と従来の機械学習技術によって難しいことが知られている。
本研究の目的は、畳み込みニューラルネットワークセグメンテーションモデルを利用して、地域のDCGアブレーションゾーンを正確に概説する、先進的なディープラーニングベースのアプローチであるGlacierNetを改善することである。
論文 参考訳(メタデータ) (2022-04-06T14:39:34Z) - Simulating surface height and terminus position for marine outlet
glaciers using a level set method with data assimilation [0.0]
我々は,氷面と終端位置観測を数値的な氷流モデルに統合するためのデータ同化フレームワークを実装した。
このモデルはまた、グリーンランド氷床の主要な干潟であるヘルハイム氷河のシミュレーションにも適用されている。
論文 参考訳(メタデータ) (2022-01-28T16:45:37Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳(メタデータ) (2021-06-24T17:29:42Z) - Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization [60.690929022840685]
合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
地球観測における画像と画像の翻訳を研究するために、25k以上の画像ペアのデータセットを公開する。
論文 参考訳(メタデータ) (2021-04-10T15:00:15Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-09T12:48:06Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z) - Deep Tiered Image Segmentation For Detecting Internal Ice Layers in
Radar Imagery [8.09102093271587]
地中レーダーは、雪と氷の内部構造を観測することができる。
近年の研究では、氷と岩盤の境界を見つけるための自動技術が開発されている。
本稿では,階層分割問題の一般的なクラスを解くための新しいディープニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-10-08T01:13:03Z)
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。