論文の概要: Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery

• arxiv url: http://arxiv.org/abs/2311.17368v1
• Date: Wed, 29 Nov 2023 05:42:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 22:28:20.214931
• Title: Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery
• Title（参考訳）: U-Netとランドサット画像を用いたバーンドエリアマッピングのための2つのスケーラブルアプローチ
• Authors: Ian Mancilla-Wulff, Jaime Carrasco, Cristobal Pais, Alejandro Miranda, Andres Weintraub
• Abstract要約: 本研究では,U-Netモデルに基づくバーン・エリアマッピングプロセスの自動化と最適化のための2つのアプローチを提案する。 研究領域の195の代表的な画像に基づくテストでは、ASモデルを用いたデータセットのバランスの向上により、より良いパフォーマンスが得られることが示された。
• 参考スコア（独自算出の注目度）: 39.91303506884272
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monitoring wildfires is an essential step in minimizing their impact on the planet, understanding the many negative environmental, economic, and social consequences. Recent advances in remote sensing technology combined with the increasing application of artificial intelligence methods have improved real-time, high-resolution fire monitoring. This study explores two proposed approaches based on the U-Net model for automating and optimizing the burned-area mapping process. Denoted 128 and AllSizes (AS), they are trained on datasets with a different class balance by cropping input images to different sizes. They are then applied to Landsat imagery and time-series data from two fire-prone regions in Chile. The results obtained after enhancement of model performance by hyperparameter optimization demonstrate the effectiveness of both approaches. Tests based on 195 representative images of the study area show that increasing dataset balance using the AS model yields better performance. More specifically, AS exhibited a Dice Coefficient (DC) of 0.93, an Omission Error (OE) of 0.086, and a Commission Error (CE) of 0.045, while the 128 model achieved a DC of 0.86, an OE of 0.12, and a CE of 0.12. These findings should provide a basis for further development of scalable automatic burned-area mapping tools.
• Abstract（参考訳）: 森林火災のモニタリングは、地球への影響を最小化し、多くの否定的な環境、経済、社会的影響を理解する上で不可欠なステップである。 近年のリモートセンシング技術と人工知能の応用が組み合わさって、リアルタイムの高分解能火災モニタリングが改善されている。 本研究では,バーンドエリアマッピングプロセスの自動化と最適化のために,u-netモデルに基づく2つの手法を検討する。 128 と AllSizes (AS) は、入力画像を異なるサイズにトリミングすることで、異なるクラスのバランスを持つデータセットでトレーニングされる。 その後、チリの2つの火災発生地域のランドサット画像と時系列データに適用される。 ハイパーパラメータ最適化によるモデル性能向上の結果,両手法の有効性が示された。 研究エリアの195個の代表画像に基づくテストでは、asモデルを用いたデータセットのバランスの増大が、よりよいパフォーマンスをもたらすことが示されている。 具体的には、ASはDice Coefficient(DC)が0.93、Omission Error(OE)が0.086、Committe Error(CE)が0.045で、18モデルはDCが0.86、OEが0.12、CEが0.12であった。 これらの知見は、スケーラブルな自動焼成領域マッピングツールの開発の基盤となるだろう。

関連論文リスト

• YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
  無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。 本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。 高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
  論文  参考訳（メタデータ） (2024-10-15T16:00:01Z)
• Constellation Dataset: Benchmarking High-Altitude Object Detection for an Urban Intersection [7.419274609612015]
  本研究では,高標高カメラで観測された都市景観の物体検出研究に適した13K画像のデータセットであるConstellationを紹介する。 このデータセットは、歩行者の限られたピクセルフットプリントによって実証された小さな物体検出の問題を探索するキュレートされたデータの必要性に対処する。 提案手法は, 車両と比較して小型歩行者の検出性能が低いことを観察し, データセット上での同時検出アーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2024-04-25T18:00:24Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Combining UPerNet and ConvNeXt for Contrails Identification to reduce Global Warming [0.0]
  本研究は,地球規模の衛星画像における航空機のコントラル検出に着目し,コントラルモデルの改善と気候変動への影響を緩和する。 NOAA GOES-16衛星画像のための革新的なデータ前処理技術を開発した。 クラス不均衡に取り組むために、トレーニングデータセットは、正の反則ラベルを持つイメージのみを含む。
  論文  参考訳（メタデータ） (2023-10-07T13:59:05Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• Domain-invariant Similarity Activation Map Contrastive Learning for Retrieval-based Long-term Visual Localization [30.203072945001136]
  本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。 そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。 CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。 我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
  論文  参考訳（メタデータ） (2020-09-16T14:43:22Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。