Fugu-MT 論文翻訳(概要): A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series

論文の概要: A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series

arxiv url: http://arxiv.org/abs/2307.01378v1
Date: Mon, 3 Jul 2023 22:16:17 GMT
ステータス: 処理完了
システム内更新日: 2023-07-06 18:56:21.078377
Title: A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series
Title（参考訳）: Sentinel-1 SARとSentinel-2 MSI時系列を用いた建物の高さマップ推定のためのCNN回帰モデル
Authors: Ritu Yadav, Andrea Nascetti, Yifang Ban
Abstract要約: 本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate estimation of building heights is essential for urban planning, infrastructure management, and environmental analysis. In this study, we propose a supervised Multimodal Building Height Regression Network (MBHR-Net) for estimating building heights at 10m spatial resolution using Sentinel-1 (S1) and Sentinel-2 (S2) satellite time series. S1 provides Synthetic Aperture Radar (SAR) data that offers valuable information on building structures, while S2 provides multispectral data that is sensitive to different land cover types, vegetation phenology, and building shadows. Our MBHR-Net aims to extract meaningful features from the S1 and S2 images to learn complex spatio-temporal relationships between image patterns and building heights. The model is trained and tested in 10 cities in the Netherlands. Root Mean Squared Error (RMSE), Intersection over Union (IOU), and R-squared (R2) score metrics are used to evaluate the performance of the model. The preliminary results (3.73m RMSE, 0.95 IoU, 0.61 R2) demonstrate the effectiveness of our deep learning model in accurately estimating building heights, showcasing its potential for urban planning, environmental impact analysis, and other related applications.
Abstract（参考訳）: ビルの高さの正確な推定は、都市計画、インフラ管理、環境分析に不可欠である。本研究では,sentinel-1(s1)とsentinel-2(s2)を用いて10mの空間分解能で建物の高さを推定するマルチモーダルビル高さ回帰ネットワーク(mbhr-net)を提案する。 S1は建築構造に関する貴重な情報を提供するSynthetic Aperture Radar(SAR)データを提供し、S2は異なる土地被覆タイプ、植生表現学、建築影に敏感なマルチスペクトルデータを提供する。我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時空間関係を学習することを目的としている。このモデルはオランダの10都市で訓練されテストされている。 Root Mean Squared Error (RMSE)、Intersection over Union (IOU)、R-squared (R2) スコアは、モデルの性能を評価するために使用される。予備的な結果(3.73m RMSE, 0.95 IoU, 0.61 R2)は, 建物の高さを正確に推定する深層学習モデルの有効性を示し, 都市計画, 環境影響分析などの応用の可能性を示した。

関連論文リスト

Estimate the building height at a 10-meter resolution based on Sentinel data [5.080045077714947]
本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
論文参考訳（メタデータ） (2024-05-02T03:53:59Z)
Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文参考訳（メタデータ） (2023-09-26T23:55:39Z)
HGDNet: A Height-Hierarchy Guided Dual-Decoder Network for Single View Building Extraction and Height Estimation [13.09940764764909]
建物の高さを推定するために,高階層型デュアルデコーダネットワーク(HGDNet)を提案する。合成された高さ階層nDSMの指導の下で、補助的な高さ階層的建築物抽出枝は高さ推定枝を強化する。より正確な建物抽出を実現するために、追加の2段階のカスケードアーキテクチャが採用されている。
論文参考訳（メタデータ） (2023-08-10T07:03:32Z)
Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文参考訳（メタデータ） (2023-07-05T18:16:30Z)
Building Floorspace in China: A Dataset and Learning Pipeline [0.32228025627337864]
本稿は、中国40大都市における建物の床面積を計測する最初のマイルストーンを提供する。我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。データ、アルゴリズム、評価の詳細な説明を提供する。
論文参考訳（メタデータ） (2023-03-03T21:45:36Z)
Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文参考訳（メタデータ） (2023-01-04T05:19:33Z)
Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
論文参考訳（メタデータ） (2021-09-14T07:24:53Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)
CG-Net: Conditional GIS-aware Network for Individual Building Segmentation in VHR SAR Images [25.87229252642239]
本稿では,大規模都市部における単一VHR SAR画像からの建物分割の問題点について述べる。我々はGISデータから構築するフットプリントを補完情報として紹介し、新しい条件付きGIS対応ネットワーク(CG-Net)を提案する。提案モデルでは,多段階の視覚的特徴を学習し,SAR画像におけるマスクの予測のための特徴を正規化するために,建築フットプリントを用いる。
論文参考訳（メタデータ） (2020-11-17T01:52:22Z)
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。