論文の概要: On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches

• arxiv url: http://arxiv.org/abs/2303.00691v1
• Date: Wed, 1 Mar 2023 17:39:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 13:53:07.490500
• Title: On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches
• Title（参考訳）: 古典的機械学習手法を用いた洪水マッピングにおける特徴表現の重要性について
• Authors: Kevin Iselborn, Marco Stricker, Takashi Miyamoto, Marlon Nuske and Andreas Dengel
• Abstract要約: 地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。 本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
• 参考スコア（独自算出の注目度）: 3.555368338253582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate change has increased the severity and frequency of weather disasters all around the world. Flood inundation mapping based on earth observation data can help in this context, by providing cheap and accurate maps depicting the area affected by a flood event to emergency-relief units in near-real-time. Building upon the recent development of the Sen1Floods11 dataset, which provides a limited amount of hand-labeled high-quality training data, this paper evaluates the potential of five traditional machine learning approaches such as gradient boosted decision trees, support vector machines or quadratic discriminant analysis. By performing a grid-search-based hyperparameter optimization on 23 feature spaces we can show that all considered classifiers are capable of outperforming the current state-of-the-art neural network-based approaches in terms of total IoU on their best-performing feature spaces. With total and mean IoU values of 0.8751 and 0.7031 compared to 0.70 and 0.5873 as the previous best-reported results, we show that a simple gradient boosting classifier can significantly improve over deep neural network based approaches, despite using less training data. Furthermore, an analysis of the regional distribution of the Sen1Floods11 dataset reveals a problem of spatial imbalance. We show that traditional machine learning models can learn this bias and argue that modified metric evaluations are required to counter artifacts due to spatial imbalance. Lastly, a qualitative analysis shows that this pixel-wise classifier provides highly-precise surface water classifications indicating that a good choice of a feature space and pixel-wise classification can generate high-quality flood maps using optical and SAR data. We make our code publicly available at: https://github.com/DFKI-Earth-And-Space-Applications/Flood_Mapping_Feature_Space_Importance
• Abstract（参考訳）: 気候変動は世界中の気象災害の深刻度と頻度を増加させた。 地球観測データに基づく洪水浸水マッピングは,洪水の影響を受けた地域を,ほぼリアルタイムに緊急救助ユニットに,安価で正確な地図を提供することで,この文脈において有用である。 本稿では,手書きによる高品質な学習データを提供するSen1Floods11データセットの最近の開発に基づいて,勾配向上決定木,サポートベクトルマシン,二次判別分析などの従来の5つの機械学習手法の可能性を評価する。 23の特徴空間上でグリッド探索に基づくハイパーパラメータ最適化を行うことで、すべての検討された分類器が、最高の特徴空間上でのIoU総量の観点から、現在の最先端のニューラルネットワークベースのアプローチより優れていることを示すことができる。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、トレーニングデータが少ないにもかかわらず、単純な勾配強化分類器はディープニューラルネットワークベースのアプローチよりも大幅に改善できることがわかった。 さらに,sen1floods11データセットの地域分布の解析により,空間的不均衡の問題が明らかになった。 従来の機械学習モデルがこのバイアスを学習できることを示し、空間的不均衡による成果物への対応には修正された計量評価が必要であると論じる。 最後に、この画素ワイド分類器は、特徴空間と画素ワイド分類のよい選択が、光学的およびSARデータを用いて高品質なフラッドマップを生成することができることを示す、高精度な表面水分類を提供することを示す。 https://github.com/DFKI-Earth-And-Space-Applications/Flood_Mapping_Space_Importance

関連論文リスト

• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
  未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。 本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。 その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
  論文  参考訳（メタデータ） (2023-08-02T07:23:50Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。