論文の概要: Monitoring Urban Changes in Mariupol/Ukraine in 2022/23

• arxiv url: http://arxiv.org/abs/2309.08607v1
• Date: Fri, 11 Aug 2023 20:47:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 07:28:48.096657
• Title: Monitoring Urban Changes in Mariupol/Ukraine in 2022/23
• Title（参考訳）: 2022/23年におけるマリウポリ/ウクライナの都市変動のモニタリング
• Authors: Georg Zitzlsberger and Michal Podhoranyi
• Abstract要約: 都会の変化を常に監視する能力は、社会経済的な大きな関心事である。 これまでの研究では、Deep Neural Networks(DNN)とTransfer Learningを使って、この分野にすでにアプローチを示してきた。 この研究は既存の研究に基づいており、歴史データを用いたトランスファーラーニングが実現可能なソリューションであることを証明している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The ability to constantly monitor urban changes is of large socio-economic interest. Previous works have already shown approaches in this field with the use of Deep Neural Networks (DNNs) and transfer learning. However, they fell short in demonstrating temporal scale outside of either the training or transfer domain. This work builds on existing research and proves that transfer learning with the use of historic data is a feasible solution, which still allows the urban change monitoring of later years. We considered a case with limited access to public and free Very High Resolution (VHR) imagery to guide the transfer. To provide a high temporal resolution, the core data of our monitoring method comprised multi-modal Synthetic Aperture Radar (SAR) and optical multispectral observations from Sentinel 1 and Sentinel 2, respectively. We chose a practical application of our methods for monitoring urban-related changes in the city of Mariupol in Ukraine during the beginning of the Russo-Ukrainian War in 2022/23. During this conflict, availability of VHR data was limited and hence an inexpensive direct transfer to the years 2022/23 was rendered impossible. Instead, a transfer was made for the years 2017-2020 that provided sufficient public and free VHR data with an application of the transferred model in the years late 2021 to mid-2023. It was shown that transferring for the years 2017-2020 with this inexpensive historical VHR data enabled monitoring during times of war in 2022/23. An ablation study on the impact of the frequency of observations showed our method as resilient to even a large loss of observations. However, it also indicated that our method, despite the multi-modal input, was more dependent on optical observations than SAR observations. Neither the indirect transfer, nor the malfunction of Sentinel 1B had a significant impact on the monitoring capabilities of our method.
• Abstract（参考訳）: 都市の変化を常に監視する能力は、社会経済的に大きな関心事である。 これまでの研究では、Deep Neural Networks(DNN)とTransfer Learningを使って、この分野にすでにアプローチを示してきた。 しかし、トレーニングドメインや転送ドメイン以外の時間スケールの実証には不足していた。 この研究は、既存の研究に基づいており、歴史的データを使って転送学習が実現可能な解決策であることを証明している。 本症例では,VHR(Very High Resolution)画像へのアクセスが制限された症例について検討した。 マルチモーダル合成開口レーダ(sar)と、センチネル1とセンチネル2からの光マルチスペクトル観測とからなる、高時間分解能の監視方法のコアデータを提供する。 我々は2022/23年のロシア・ウクライナ戦争開始時のウクライナのマリウポリにおける都市的変化をモニタリングする手法の実際的応用を選択した。 この紛争の間、VHRデータの入手は制限され、2022/23年への安価な直接転送は不可能となった。 その代わり、2017-2020年に移管され、2021年末から2023年半ばに移管されたモデルに十分な公開および無償のvhrデータを提供した。 この安価なvhrデータで2017-2020年までの移行により、2022/23年の戦時中の監視が可能となった。 観察頻度の影響に関するアブレーション研究は、我々の方法が大きな観測損失にも耐えうることを示した。 しかし,本手法はマルチモーダル入力にも拘わらず,sar観測よりも光学的観測に強く依存していることが示唆された。 間接移動やセンチネル1bの誤動作は,本手法の監視機能に大きな影響を与えなかった。

関連論文リスト

• Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data [9.146968506196446]
  我々は,ウクライナのマリプオール市における,紛争前の画像と紛争後の画像を用いた注釈付きデータセットを構築した。 次に、ゼロショットおよび学習シナリオの両方において、CNNモデルの転送可能性について検討する。 これは、サブメートル分解能画像を用いて戦闘帯の建物損傷を評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-10-07T07:26:38Z)
• Early Detection of Critical Urban Events using Mobile Phone Network Data [1.215595725505415]
  ネットワークシグナリングデータ(NSD)は、個人による携帯電話サービスに関する継続的な時間情報を提供する可能性がある。 NSDは、火災、大事故、スタンプ、テロ攻撃、スポーツやレジャーの集まりなど、重要な都市イベントの早期発見を可能にする。 本稿では,高度NSDが交通サービス消費の異常を検出できるという実証的証拠を提示する。
  論文  参考訳（メタデータ） (2024-05-29T14:31:39Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Prediction of Tourism Flow with Sparse Geolocation Data [5.7816173667121635]
  特定の地域での観光量と観光フローの適正かつ正確な予測が重要である。 本稿では,RNN,GNN,Transformerといった最先端のディープラーニング手法の性能を実証的に評価する。 これにより、現代の入力特徴ハンドリングと、個別のPOIデータ上に位置情報データをマッピングすることで、予測の精度を高めることができる。
  論文  参考訳（メタデータ） (2023-08-28T12:03:03Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Unsupervised 4D LiDAR Moving Object Segmentation in Stationary Settings with Multivariate Occupancy Time Series [62.997667081978825]
  静止センサから記録された4次元LiDARデータにおける非教師なし移動物体セグメンテーション(MOS)の問題に対処する。 教師なしMOSの問題を緩和する時系列に基づく新しい4次元LiDAR表現を提案する。 Raw KITTIデータセットによる静止シーンの実験では、完全に教師なしのアプローチが、教師付き最先端アプローチに匹敵するパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-12-30T14:48:14Z)
• GT-CausIn: a novel causal-based insight for traffic prediction [4.399130897743016]
  本稿では,因果関係をグラフ拡散層と時間畳み込みネットワーク層と統合したグラフ空間時間ネットワーク(GT-CausIn)を提案する。 P.EMS-BAYとMETR-LAの2つの実世界の交通データセットで実験が行われ、GT-CausInは中期および長期の予測において最先端のモデルを著しく上回っている。
  論文  参考訳（メタデータ） (2022-12-12T09:09:39Z)
• Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction [60.508960752148454]
  本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
  論文  参考訳（メタデータ） (2022-04-18T23:46:01Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Few-shot Partial Multi-view Learning [103.33865779721458]
  本稿では,複数ショット部分的多視点学習という新しい課題を提案する。 それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。 提案手法を評価するため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-05-05T13:34:43Z)
• Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation [3.2489082010225494]
  都市交通データは、測定不足につながる不完全な傾向があります。 交通の都市的・時間的側面を考慮したCANDECOMP/AFAC(CP)完成手法を提案する。 提案手法は,最先端cpアプローチと比較して26%,最先端生成モデルベースアプローチでは35%の有効回復性能を提供する。
  論文  参考訳（メタデータ） (2021-03-12T16:07:23Z)

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。