Fugu-MT 論文翻訳(概要): Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network

論文の概要: Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network

arxiv url: http://arxiv.org/abs/2312.16717v1
Date: Wed, 27 Dec 2023 20:56:55 GMT
ステータス: 処理完了
システム内更新日: 2023-12-29 18:15:52.958598
Title: Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network
Title（参考訳）: リモートセンシング画像とディープニューラルネットワークを用いた地すべり検出とセグメンテーション
Authors: Cam Le, Lam Pham, Jasmin Lampert, Matthias Schl\"ogl, Alexander Schindler
Abstract要約: 2022 Landslide4Senseコンペティションの結果に基づいて,地すべり検出とセグメンテーションのためのディープニューラルネットワークシステムを提案する。ベースラインモデルとしてクロスエントロピー損失をトレーニングしたU-Netを用いる。次に、幅広いディープラーニング技術を活用して、U-Netベースラインモデルを改善する。
参考スコア（独自算出の注目度）: 42.59806784981723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge about historic landslide event occurrence is important for supporting disaster risk reduction strategies. Building upon findings from 2022 Landslide4Sense Competition, we propose a deep neural network based system for landslide detection and segmentation from multisource remote sensing image input. We use a U-Net trained with Cross Entropy loss as baseline model. We then improve the U-Net baseline model by leveraging a wide range of deep learning techniques. In particular, we conduct feature engineering by generating new band data from the original bands, which helps to enhance the quality of remote sensing image input. Regarding the network architecture, we replace traditional convolutional layers in the U-Net baseline by a residual-convolutional layer. We also propose an attention layer which leverages the multi-head attention scheme. Additionally, we generate multiple output masks with three different resolutions, which creates an ensemble of three outputs in the inference process to enhance the performance. Finally, we propose a combined loss function which leverages Focal loss and IoU loss to train the network. Our experiments on the development set of the Landslide4Sense challenge achieve an F1 score and an mIoU score of 84.07 and 76.07, respectively. Our best model setup outperforms the challenge baseline and the proposed U-Net baseline, improving the F1 score/mIoU score by 6.8/7.4 and 10.5/8.8, respectively.
Abstract（参考訳）: 過去の地すべり発生に関する知識は,災害リスク低減戦略を支援する上で重要である。 2022年地すべり4senseコンペティションの結果をもとに,多元リモートセンシング画像入力からの地すべり検出とセグメンテーションのための深層ニューラルネットワークシステムを提案する。ベースラインモデルとしてクロスエントロピー損失をトレーニングしたU-Netを用いる。次に、幅広いディープラーニング技術を活用して、U-Netベースラインモデルを改善する。特に,オリジナルバンドから新しいバンドデータを生成し,リモートセンシング画像入力の品質向上に寄与する特徴工学を行う。ネットワークアーキテクチャに関しては、U-Netベースラインの従来の畳み込み層を残留畳み込み層に置き換える。また,マルチヘッドアテンション方式を利用したアテンション層を提案する。さらに、3つの異なる解像度の複数の出力マスクを生成し、推論プロセスで3つの出力のアンサンブルを生成し、性能を向上させる。最後に,ネットワークの学習に焦点損失とiou損失を併用した複合損失関数を提案する。 Landslide4Sense チャレンジの開発セットに関する実験は F1 スコアと mIoU スコアをそれぞれ84.07 と 76.07 で達成した。ベストモデルでは,F1スコア/mIoUスコアを6.8/7.4,10.5/8.8で改善した。

関連論文リスト

NeRF-DetS: Enhancing Multi-View 3D Object Detection with Sampling-adaptive Network of Continuous NeRF-based Representation [60.47114985993196]
NeRF-Detは、新しいビュー演算と3D知覚のタスクを統一する。我々は,新しい3次元知覚ネットワーク構造であるNeRF-DetSを導入する。 NeRF-DetSはScanNetV2データセット上で競合するNeRF-Detより優れている。
論文参考訳（メタデータ） (2024-04-22T06:59:03Z)
Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文参考訳（メタデータ） (2024-01-25T07:28:22Z)
Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文参考訳（メタデータ） (2023-12-18T18:16:30Z)
PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
論文参考訳（メタデータ） (2021-03-12T15:54:46Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
Multi-scale Attention U-Net (MsAUNet): A Modified U-Net Architecture for Scene Segmentation [1.713291434132985]
画像からコンテキスト情報を用いたシーンセグメンテーションのためのマルチスケールアテンションネットワークを提案する。このネットワークは、局所的な特徴をグローバルな特徴にマップし、精度を向上し、識別画像領域を強調する。我々はPascalVOC2012とADE20kという2つの標準データセットでモデルを評価した。
論文参考訳（メタデータ） (2020-09-15T08:03:41Z)
Monocular Depth Estimation Using Multi Scale Neural Network And Feature Fusion [0.0]
ネットワークは2つの異なるブロックを使用し、まず、各特徴マップの畳み込みとマージに異なるフィルタサイズを使用する。第2ブロックは、完全に連結された層の代わりに拡張畳み込みを使用し、計算を減らし、受容場を増大させる。我々は、RMSE損失とSILog損失からなる深さ推定のための標準評価指標を用いて、Make 3Dデータセット、NYU Depth V2データセット、Kittiデータセットでネットワークをトレーニングし、テストする。
論文参考訳（メタデータ） (2020-09-11T18:08:52Z)
HRVGAN: High Resolution Video Generation using Spatio-Temporal GAN [0.0]
我々は高解像度ビデオ生成のための新しいネットワークを提案する。我々のネットワークは、損失項にk-Lipschitz制約を課し、クラスラベルをトレーニングとテストに使用することで、Wasserstein GANのアイデアを使用する。
論文参考訳（メタデータ） (2020-08-17T20:45:59Z)
DiResNet: Direction-aware Residual Network for Road Extraction in VHR Remote Sensing Images [12.081877372552606]
主に3つのコントリビューションを含む方向対応残差ネットワーク(DiResNet)を提案する。提案手法は総合精度とF1スコアの両方に利点がある。
論文参考訳（メタデータ） (2020-05-14T19:33:21Z)
Automated Pavement Crack Segmentation Using U-Net-based Convolutional Neural Network [10.48658033897047]
本稿では,畳み込みニューラルネットワークを用いた深層学習手法を提案する。私たちのアプローチは、他の機械学習技術と比較して、最小限の機能エンジニアリングを必要とします。提案手法は,CFDデータセットで96%,Crack500データセットで73%のF1スコアを達成し,これらのデータセットでテストされた他のアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2020-01-07T07:18:13Z)

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。