論文の概要: Automating global landslide detection with heterogeneous ensemble deep-learning classification

• arxiv url: http://arxiv.org/abs/2310.05959v1
• Date: Tue, 12 Sep 2023 10:56:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-15 14:26:14.421675
• Title: Automating global landslide detection with heterogeneous ensemble deep-learning classification
• Title（参考訳）: 不均一アンサンブル深層学習による地すべりの自動検出
• Authors: Alexandra Jarna Ganer{\o}d, Gabriele Franch, Erin Lindsay, Martina Calovi
• Abstract要約: 地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With changing climatic conditions, we are already seeing an increase in extreme weather events and their secondary consequences, including landslides. Landslides threaten infrastructure, including roads, railways, buildings, and human life. Hazard-based spatial planning and early warning systems are cost-effective strategies to reduce the risk to society from landslides. However, these both rely on data from previous landslide events, which is often scarce. Many deep learning (DL) models have recently been applied for landside mapping using medium- to high-resolution satellite images as input. However, they often suffer from sensitivity problems, overfitting, and low mapping accuracy. This study addresses some of these limitations by using a diverse global landslide dataset, using different segmentation models, such as Unet, Linknet, PSP-Net, PAN, and DeepLab and based on their performances, building an ensemble model. The ensemble model achieved the highest F1-score (0.69) when combining both Sentinel-1 and Sentinel-2 bands, with the highest average improvement of 6.87 % when the ensemble size was 20. On the other hand, Sentinel-2 bands only performed very well, with an F1 score of 0.61 when the ensemble size is 20 with an improvement of 14.59 % when the ensemble size is 20. This result shows considerable potential in building a robust and reliable monitoring system based on changes in vegetation index dNDVI only.
• Abstract（参考訳）: 気候の変化に伴い、極度の気象現象と地すべりを含む二次的な結果が既に増加しています。 地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 しかし、どちらも過去の地すべり事件のデータに依存しており、しばしば少ない。 近年,中～高解像度の衛星画像を入力として陸地マッピングに多くの深層学習(DL)モデルが適用されている。 しかし、感度の問題や過剰フィッティング、マッピング精度の低さに苦しむことが多い。 本研究では,Unet,Linknet,PSP-Net,PAN,DeepLabなど,さまざまなセグメンテーションモデルを使用し,それらのパフォーマンスに基づいてアンサンブルモデルを構築することにより,これらの制限に対処する。 アンサンブルモデルはsentinel-1とsentinel-2のバンドを組み合わせることで最も高いf1-score (0.69) を達成し、アンサンブルサイズが20の場合平均で6.87%向上した。 一方、センチネル-2バンドは非常によく演奏され、アンサンブルサイズが20でf1スコアが0.61、アンサンブルサイズが20で14.59%向上した。 この結果から,植生指標dNDVIのみの変化に基づく,堅牢で信頼性の高いモニタリングシステムの構築の可能性が示唆された。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Landslide mapping from Sentinel-2 imagery through change detection [0.12289361708127873]
  地すべりは、最も重要で破壊的なジオハザードの1つである。 本稿では,Sentinel-2画像を用いた地すべりのマッピング手法について検討する。 本稿では,DEM(Digital Elevation Model)データとSentinel-2バイテンポラル画像ペアを融合する新たなディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-30T15:33:32Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• t-RAIN: Robust generalization under weather-aliasing label shift attacks [0.0]
  自動車のマルチウェザー分類におけるラベルシフトの影響を解析する。 大規模生成モデルを用いた合成データ拡張のための類似度マッピング手法としてt-RAINを提案する。 本稿では,82.69 AP (雪) と62.31 AP (霧) が最適である実地および合成気象領域の歩行者検出結果について述べる。
  論文  参考訳（メタデータ） (2023-05-15T02:05:56Z)
• The Second Monocular Depth Estimation Challenge [93.1678025923996]
  MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。 この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。 上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
  論文  参考訳（メタデータ） (2023-04-14T11:10:07Z)
• Benchmarking the Physical-world Adversarial Robustness of Vehicle Detection [14.202833467294765]
  物理世界の敵対的攻撃は、検出モデルの堅牢性を損なう可能性がある。 Yolo v6は6.59%のAP降下率で強い抵抗を示し、ASAは14.51%のAP減少率を持つ最も効果的な攻撃アルゴリズムであった。
  論文  参考訳（メタデータ） (2023-04-11T09:48:25Z)
• Relict landslide detection using Deep-Learning architectures for image segmentation in rainforest areas: A new framework [0.5735035463793008]
  地すべりの半自動検出のための新しいCNNフレームワークを提案する。 合計42種類のCNNがテストされている。 提案手法の予測はより正確で, より正確な地すべり検出が可能であった。
  論文  参考訳（メタデータ） (2022-08-04T14:46:02Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)

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。