論文の概要: Context-Aware Change Detection With Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2306.08935v1
• Date: Thu, 15 Jun 2023 08:17:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 16:05:13.852791
• Title: Context-Aware Change Detection With Semi-Supervised Learning
• Title（参考訳）: 半教師付き学習による文脈認識変化検出
• Authors: Ritu Yadav, Andrea Nascetti, Yifang Ban
• Abstract要約: 地球観測データを用いた変化検出は、被災地における災害の影響を定量化する上で重要な役割を担っている。 Sentinel-2のようなデータソースは、豊富な光学情報を提供するが、しばしば雲のカバーによって妨げられる。 本研究では,変更検出タスクにおけるSentinel-2データのコントリビューションを評価するモデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change detection using earth observation data plays a vital role in quantifying the impact of disasters in affected areas. While data sources like Sentinel-2 provide rich optical information, they are often hindered by cloud cover, limiting their usage in disaster scenarios. However, leveraging pre-disaster optical data can offer valuable contextual information about the area such as landcover type, vegetation cover, soil types, enabling a better understanding of the disaster's impact. In this study, we develop a model to assess the contribution of pre-disaster Sentinel-2 data in change detection tasks, focusing on disaster-affected areas. The proposed Context-Aware Change Detection Network (CACDN) utilizes a combination of pre-disaster Sentinel-2 data, pre and post-disaster Sentinel-1 data and ancillary Digital Elevation Models (DEM) data. The model is validated on flood and landslide detection and evaluated using three metrics: Area Under the Precision-Recall Curve (AUPRC), Intersection over Union (IoU), and mean IoU. The preliminary results show significant improvement (4\%, AUPRC, 3-7\% IoU, 3-6\% mean IoU) in model's change detection capabilities when incorporated with pre-disaster optical data reflecting the effectiveness of using contextual information for accurate flood and landslide detection.
• Abstract（参考訳）: 地球観測データを用いた変化検出は、被災地における災害の影響の定量化に重要な役割を果たす。 sentinel-2のようなデータソースは豊富な光学情報を提供するが、しばしばクラウドカバーによって妨げられ、災害シナリオでの使用が制限される。 しかし、災害前の光学データを利用することで、土地被覆型、植生被覆型、土壌型などの貴重な文脈情報を提供し、災害の影響をよりよく理解することができる。 本研究では,災害被害地域に着目し,地震前センチネル2データの変化検出タスクへの寄与を評価するモデルを開発した。 提案したコンテキスト認識変化検出ネットワーク (CACDN) は, プレディザスタセンチネル-2データ, プレディザスタセンチネル-1データ, およびアシラリーディジタル標高モデル(DEM)データの組み合わせを利用する。 このモデルは洪水および地すべり検出に基づいて検証され,AUPRC(Area Under the Precision-Recall Curve),IoU(Intersection over Union),IoU(IoU)の3つの指標を用いて評価された。 予備結果は, 正確な洪水・地すべり検出に文脈情報の利用の有効性を反映した事前災害光学データを用いた場合, モデル変化検出能力に有意な改善(4\%, auprc, 3-7\% iou, 3-6\%平均iou)を示した。

関連論文リスト

• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application [0.0]
  モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
  論文  参考訳（メタデータ） (2023-03-03T06:27:15Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Unsupervised Flood Detection on SAR Time Series [2.141079906482723]
  変化検出(CD)手法は、早期の災害のリスクを特定するのに役立つ。 本研究では,時系列SAR(Synthetic Aperture Radar)データに基づく新しい教師なしCD手法を提案する。 提案モデルは平均64.53%のインターセクションオーバーユニオン(IoU)値と75.43%のF1スコアを得た。
  論文  参考訳（メタデータ） (2022-12-07T14:42:33Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Improving Emergency Response during Hurricane Season using Computer Vision [0.06882042556551608]
  我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。 我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。 画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
  論文  参考訳（メタデータ） (2020-08-17T15:42:02Z)
• Deep Learning Framework for Detecting Ground Deformation in the Built Environment using Satellite InSAR data [7.503635457124339]
  我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。 我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。 本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
  論文  参考訳（メタデータ） (2020-05-07T03:14:00Z)

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。