論文の概要: High-Resolution Building and Road Detection from Sentinel-2

• arxiv url: http://arxiv.org/abs/2310.11622v2
• Date: Thu, 20 Jun 2024 12:02:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-22 06:27:34.424588
• Title: High-Resolution Building and Road Detection from Sentinel-2
• Title（参考訳）: センチネルの高分解能化と道路検出-2
• Authors: Wojciech Sirko, Emmanuel Asiedu Brempong, Juliana T. C. Marcos, Abigail Annkah, Abel Korme, Mohammed Alewi Hassen, Krishna Sapkota, Tomer Shekel, Abdoulaye Diack, Sella Nevo, Jason Hickey, John Quinn,
• Abstract要約: 複数10m解像度のSentinel-2画像を用いて50cm解像度のビルディングと道路セグメンテーションマスクを生成する方法を示す。 これは、教師のモデルの予測を再現するために、Sentinel-2画像へのアクセスで学生のモデルをトレーニングすることで行われる。 また、実際の数に対して R2 = 0.91 となるSentinel-2 パッチにおいて、個々の建物を数えるための関連手法についても述べる。
• 参考スコア（独自算出の注目度）: 0.8677035729963776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mapping buildings and roads automatically with remote sensing typically requires high-resolution imagery, which is expensive to obtain and often sparsely available. In this work we demonstrate how multiple 10 m resolution Sentinel-2 images can be used to generate 50 cm resolution building and road segmentation masks. This is done by training a `student' model with access to Sentinel-2 images to reproduce the predictions of a `teacher' model which has access to corresponding high-resolution imagery. While the predictions do not have all the fine detail of the teacher model, we find that we are able to retain much of the performance: for building segmentation we achieve 78.3% mIoU, compared to the high-resolution teacher model accuracy of 85.3% mIoU. We also describe a related method for counting individual buildings in a Sentinel-2 patch which achieves R^2 = 0.91 against true counts. This work opens up new possibilities for using freely available Sentinel-2 imagery for a range of tasks that previously could only be done with high-resolution satellite imagery.
• Abstract（参考訳）: 建物や道路をリモートセンシングで自動的にマッピングするには、高解像度の画像が必要である。 本研究では,50cmのビルディングと道路セグメンテーションマスクを生成するために,複数の10m解像度のSentinel-2画像を使用する方法を示す。 これは、Sentinel-2画像にアクセス可能な‘student’モデルをトレーニングして、対応する高解像度画像にアクセス可能な‘Teacher’モデルの予測を再現する。 予測には教師モデルの細部が全て含まれていないが, セグメンテーションの精度は85.3% mIoUに比べて78.3% mIoUとなる。 また,実数に対して R^2 = 0.91 となるSentinel-2 パッチの個々の建物をカウントする方法についても述べる。 この研究は、これまで高解像度の衛星画像でしかできなかった様々なタスクに、無料で利用できるSentinel-2画像を使用する新たな可能性を開く。

関連論文リスト

• Depth Anything V2 [84.88796880335283]
  V2は3つの重要なプラクティスを通じて、より微細でより堅牢な深度予測を生成する。 すべてのラベル付き実像を合成画像に置き換え、教師モデルの容量を拡大し、大規模な擬似ラベル付き実像のブリッジを通じて生徒モデルを教える。 その強い一般化能力から、距離深度モデルを得るために、距離深度ラベルを微調整する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:56Z)
• A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
  リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
  論文  参考訳（メタデータ） (2023-02-25T09:02:01Z)
• On The Role of Alias and Band-Shift for Sentinel-2 Super-Resolution [5.897281612951907]
  本研究では,Sentinel-2画像の単一画像超解像(SISR)問題について検討する。 我々は、バンド間シフトとエイリアスというユニークなセンサー仕様のおかげで、ディープラーニングの手法が細部を再現できることを示す。
  論文  参考訳（メタデータ） (2023-02-22T17:08:45Z)
• MuS2: A Benchmark for Sentinel-2 Multi-Image Super-Resolution [6.480645418615952]
  センチネル2データを含む衛星画像の空間分解能の不足は、多くの実用的なユースケースにおいて深刻な限界である。 超高解像度リコンストラクションはリモートセンシングコミュニティからかなりの注目を集めている。 我々は,Sentinel-2画像のマルチイメージ超解像再構成のための新しいMuS2ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T08:29:54Z)
• Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series [33.10103896300028]
  本研究では,10mSentinel-2マルチスペクトル画像系列から2.5mの耕作地図を抽出する手法を提案する。 実験結果から,我々のモデルは,高品質なセグメンテーションマップを提供することによって,古典的および深層機械学習技術よりも優れていることがわかった。 このような記憶の脆弱さは、ミッションにおいて重要なものであり、軌道にいるとモデルとAIによる衛星とのアップリンクを可能にします。
  論文  参考訳（メタデータ） (2022-08-03T21:19:06Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
  1枚以上の画像から3D屋内シーンを没入する問題について検討する。 我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。 本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:54:46Z)
• Masked Autoencoders Are Scalable Vision Learners [60.97703494764904]
  Masked Autoencoders (MAE) は、コンピュータビジョンのためのスケーラブルな自己教師型学習システムである。 我々は入力画像のランダムなパッチを隠蔽し、欠落したピクセルを再構成する。 これら2つの設計を結合することで,大規模モデルを効率的かつ効率的にトレーニングすることが可能になります。
  論文  参考訳（メタデータ） (2021-11-11T18:46:40Z)
• Self-supervised pre-training enhances change detection in Sentinel-2 imagery [10.245231210675938]
  我々は,世界中の1520都市地域の複数時間画像ペアを含むSentinel-2 Multitemporal Cities Pairs(S2MTCP)データセットを構築し,公開する。 変更検出のための事前学習モデルのための複数の自己監視学習方法の結果をテストし、Sentinel-2イメージペア(OSCD)からなるパブリックチェンジ検出データセットに適用する。
  論文  参考訳（メタデータ） (2021-01-20T13:47:25Z)
• Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
  本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。 この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。 生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
  論文  参考訳（メタデータ） (2020-03-02T17:49:32Z)

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。