Fugu-MT 論文翻訳(概要): Enhancing Building Semantic Segmentation Accuracy with Super Resolution and Deep Learning: Investigating the Impact of Spatial Resolution on Various Datasets

論文の概要: Enhancing Building Semantic Segmentation Accuracy with Super Resolution and Deep Learning: Investigating the Impact of Spatial Resolution on Various Datasets

arxiv url: http://arxiv.org/abs/2307.04101v1
Date: Sun, 9 Jul 2023 05:28:51 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 15:30:19.540179
Title: Enhancing Building Semantic Segmentation Accuracy with Super Resolution and Deep Learning: Investigating the Impact of Spatial Resolution on Various Datasets
Title（参考訳）: 超解像とディープラーニングによる意味セグメンテーションの精度向上--空間分解能が各種データセットに与える影響の検討
Authors: Zhiling Guo, Xiaodan Shi, Haoran Zhang, Dou Huang, Xiaoya Song, Jinyue Yan, Ryosuke Shibasaki
Abstract要約: 本研究では,3つの研究領域間のリモートセンシング画像を,超解像・ダウンサンプリングにより複数の空間分解能に分割する。実験の結果,空間分解能は建物セグメンテーションに大きく影響し,コスト効率は0.3m程度であった。
参考スコア（独自算出の注目度）: 15.771305336807774
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The development of remote sensing and deep learning techniques has enabled building semantic segmentation with high accuracy and efficiency. Despite their success in different tasks, the discussions on the impact of spatial resolution on deep learning based building semantic segmentation are quite inadequate, which makes choosing a higher cost-effective data source a big challenge. To address the issue mentioned above, in this study, we create remote sensing images among three study areas into multiple spatial resolutions by super-resolution and down-sampling. After that, two representative deep learning architectures: UNet and FPN, are selected for model training and testing. The experimental results obtained from three cities with two deep learning models indicate that the spatial resolution greatly influences building segmentation results, and with a better cost-effectiveness around 0.3m, which we believe will be an important insight for data selection and preparation.
Abstract（参考訳）: リモートセンシングおよび深層学習技術の開発により,高精度かつ効率的にセマンティックセグメンテーションを構築することが可能となった。異なるタスクで成功したにもかかわらず、深層学習に基づくセマンティックセグメンテーションに対する空間分解能の影響に関する議論は非常に不十分であり、コスト効率の高いデータソースを選択することが大きな課題である。以上の課題に対処するため,本研究では,3つの研究領域のリモートセンシング画像を,超解像・ダウンサンプリングにより複数の空間解像度に分割する。その後、モデルトレーニングとテストのためにUNetとFPNの2つの代表的なディープラーニングアーキテクチャが選択される。 2つの深層学習モデルを持つ3つの都市から得られた実験結果から,空間分解能が建物セグメンテーションに大きく影響し,コスト効率が0.3m程度に向上することが示唆された。

関連論文リスト

Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文参考訳（メタデータ） (2024-06-17T07:43:53Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images [0.0]
ビルディング抽出は高解像度リモートセンシング画像のセマンティックセグメンテーションに大きく依存している。本研究では,ネットワークバックボーンをベースとした様々なU-Net++を提案する。実験結果によると,提案モデルは従来の最先端アプローチよりも有意に優れていた。
論文参考訳（メタデータ） (2023-09-05T18:14:14Z)
Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文参考訳（メタデータ） (2023-07-19T16:42:52Z)
Benchmarking and Analyzing 3D Human Pose and Shape Estimation Beyond Algorithms [31.2529724533643]
この研究は、アルゴリズム以外の3つの未探索視点からの最初の総合的なベンチマーク研究を示す。 31のデータセットの分析では、データサンプルの異なる影響が明らかになっている。比較的単純なモデルで3DPWテストセットで47.3mmのPA-MPJPEを実現する。
論文参考訳（メタデータ） (2022-09-21T17:39:53Z)
Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文参考訳（メタデータ） (2021-03-25T14:03:42Z)
Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。提案されたモデルをCityscapesデータセット上で検証する。
論文参考訳（メタデータ） (2020-12-19T21:18:03Z)
Deep Structure Learning using Feature Extraction in Trained Projection Space [0.0]
我々は、低次元空間における畳み込みによる特徴抽出を可能にするために、Randon-transform(線形データ投影)の自己調整およびデータ依存バージョンを用いてネットワークアーキテクチャを導入する。 PiNetという名前のフレームワークは、エンドツーエンドでトレーニングでき、ボリュームセグメンテーションタスクで有望なパフォーマンスを示す。
論文参考訳（メタデータ） (2020-09-01T12:16:55Z)
Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文参考訳（メタデータ） (2020-08-28T03:47:49Z)
Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets [21.703238902823937]
視覚特徴の空間的関係を利用するために,空間的注意ブロックを有する構造認識ニューラルネットワークを提案する。第2に,一様点対に対する大域的局所的相対損失を導入し,予測における空間的制約を増大させる。第3に、先行手法の障害事例の分析に基づいて、挑戦シーンの新たなHard Case (HC) Depthデータセットを収集します。
論文参考訳（メタデータ） (2020-07-22T08:21:02Z)
SPCNet:Spatial Preserve and Content-aware Network for Human Pose Estimation [3.2540745519652434]
Dilated Hourglass Module(DHM)とSelective Information Module(SIM)の2つの有効モジュールを含む新しい空間保存・コンテンツ認識ネットワーク(SPCNet)を提案する。特に,従来の手法を超越して,3つのベンチマークデータセットの最先端性能を実現している。
論文参考訳（メタデータ） (2020-04-13T09:14:00Z)

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。