論文の概要: GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery
- arxiv url: http://arxiv.org/abs/2303.09310v1
- Date: Thu, 16 Mar 2023 13:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 15:33:52.304517
- Title: GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery
- Title(参考訳): GLH-Water:大型超高解像度衛星画像における地球表面水検出のための大規模データセット
- Authors: Yansheng Li, Bo Dang, Wanchun Li, Yongjun Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.342488890032597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global surface water detection in very-high-resolution (VHR) satellite
imagery can directly serve major applications such as refined flood mapping and
water resource assessment. Although achievements have been made in detecting
surface water in small-size satellite images corresponding to local geographic
scales, datasets and methods suitable for mapping and analyzing global surface
water have yet to be explored. To encourage the development of this task and
facilitate the implementation of relevant applications, we propose the
GLH-water dataset that consists of 250 satellite images and manually labeled
surface water annotations that are distributed globally and contain water
bodies exhibiting a wide variety of types (e.g., rivers, lakes, and ponds in
forests, irrigated fields, bare areas, and urban areas). Each image is of the
size 12,800 $\times$ 12,800 pixels at 0.3 meter spatial resolution. To build a
benchmark for GLH-water, we perform extensive experiments employing
representative surface water detection models, popular semantic segmentation
models, and ultra-high resolution segmentation models. Furthermore, we also
design a strong baseline with the novel pyramid consistency loss (PCL) to
initially explore this challenge. Finally, we implement the cross-dataset and
pilot area generalization experiments, and the superior performance illustrates
the strong generalization and practical application of GLH-water. The dataset
is available at https://jack-bo1220.github.io/project/GLH-water.html.
- Abstract(参考訳): 超高分解能(VHR)衛星画像における地球表面の水検出は、改良された洪水マッピングや水資源評価といった主要な用途に直接役立てることができる。
局所的な地理的スケールに対応する小型衛星画像の表面水の検出は達成されていないが、地球表面水のマッピングと解析に適したデータセットや方法はまだ検討されていない。
本稿では,この課題の展開と適用の促進を目的として,地球規模で分布する250の衛星画像と,多種多様な水域(河川,湖沼,池,灌水田,裸地,都市部など)を含む表層水アノテーションを用いたGLH-waterデータセットを提案する。
各画像のサイズは、0.3mの空間解像度で12,800ドル(約1万2000円)です。
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。
さらに,この課題を最初に検討するために,新たなピラミッド一貫性損失(pcl)を用いて,強力なベースラインを設計した。
最後に,クロスデータセットおよびパイロット領域の一般化実験を実施し,GLH-waterの強い一般化と実用性を示す。
データセットはhttps://jack-bo1220.github.io/project/GLH-water.htmlで公開されている。
関連論文リスト
- An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - A Large Scale Homography Benchmark [52.55694707744518]
1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。
また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
論文 参考訳(メタデータ) (2023-02-20T14:18:09Z) - A Fully Automated and Scalable Surface Water Mapping with Topographic
Airborne LiDAR Data [0.0]
本稿では, 様々な景観において, 表面水体を非常に微細なスケールまで正確に抽出する手法を提案する。
提案手法は、重力が常に液体分子を降ろすため、表面水は平らであるという頑健な仮定を利用する。
持続的でレジリエントな環境を構築する上で,私たちの作業がより効果的なソリューションに結びつくことを期待して,コードを一般向けに公開します。
論文 参考訳(メタデータ) (2023-01-16T19:04:23Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
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。
論文 参考訳(メタデータ) (2022-12-27T20:56:34Z) - A Dataset with Multibeam Forward-Looking Sonar for Underwater Object
Detection [0.0]
マルチビーム前方ソナー (MFLS) は水中検出において重要な役割を担っている。
MFLSを用いた水中物体検出の研究にはいくつかの課題がある。
本稿では,Tritech Gemini 1200ikソナーを用いて,9000枚以上のMFLS画像からなる新しいデータセットを提案する。
論文 参考訳(メタデータ) (2022-12-01T08:26:03Z) - VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale
Outdoor Environments [49.82314641876602]
VPAIRという新しいデータセットを提示します。
データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。
このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
論文 参考訳(メタデータ) (2022-05-23T18:50:08Z) - Guided deep learning by subaperture decomposition: ocean patterns from
SAR imagery [36.922471841100176]
センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。
本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
論文 参考訳(メタデータ) (2022-04-09T09:49:05Z) - Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image
Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。
我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文 参考訳(メタデータ) (2022-03-26T20:10:38Z) - Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark
Dataset and Baseline [48.69396457721544]
深度写像スーパーリゾリューション(SR)の研究を促進するために,RGB-D-Dという大規模データセットを構築した。
本稿では、RGB画像から高周波成分を適応的に分解して深度マップSRを導出する高速深度マップ超解像(FDSR)ベースラインを提供する。
実世界のLR深度マップでは、より明確な境界を持つより正確なHR深度マップを作成でき、ある程度の精度で深度値誤差を補正できる。
論文 参考訳(メタデータ) (2021-04-13T13:27:26Z) - Detection of Malaria Vector Breeding Habitats using Topographic Models [1.9290392443571382]
本研究では,地球規模で利用可能なDEMデータに基づく実用的な地形モデルを提案する。
ガーナのオプアシ地域を調査し,様々な地形特性が異なる水域に与える影響について検討した。
我々の最良モデルは、小水位検出に地形変数を用いた以前の試みよりも優れていた。
論文 参考訳(メタデータ) (2020-11-27T12:59:55Z) - RGB-D Salient Object Detection: A Survey [195.83586883670358]
様々な観点からRGB-Dに基づくSODモデルを総合的に調査する。
また、このドメインからSODモデルと人気のあるベンチマークデータセットもレビューします。
今後の研究に向けたRGB-DベースのSODの課題と方向性について論じる。
論文 参考訳(メタデータ) (2020-08-01T10:01:32Z)
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。