論文の概要: Automatic characterization of boulders on planetary surfaces from high-resolution satellite images

• arxiv url: http://arxiv.org/abs/2401.07528v1
• Date: Mon, 15 Jan 2024 08:14:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 17:46:10.803497
• Title: Automatic characterization of boulders on planetary surfaces from high-resolution satellite images
• Title（参考訳）: 高分解能衛星画像による惑星表面のボールダーの自動キャラクタリゼーション
• Authors: Nils C. Prieur, Brian Amaro, Emiliano Gonzalez, Hannah Kerner, Sergei Medvedev, Lior Rubanenko, Stephanie C. Werner, Zhiyong Xiao8, Dmitry Zastrozhnov, Mathieu G. A. Lap\^otre
• Abstract要約: 岩は様々な地質学的プロセスから形成され、その大きさ、形状、配向がより深く理解するのに役立ちます。 我々は、高解像度衛星画像におけるボルダーの検出とアウトライン化のために、インスタンスセグメンテーションニューラルネットワークであるMask R-CNNを使用している。 私たちのニューラルネットワークであるBoulderNetは、地球、月、火星の750枚の画像タイルに33,000個のボールダーのデータセットからトレーニングされました。
• 参考スコア（独自算出の注目度）: 4.817284512836187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Boulders form from a variety of geological processes, which their size, shape, and orientation may help us better understand. Furthermore, they represent potential hazards to spacecraft landing that need to be characterized. However, mapping individual boulders across vast areas is extremely labor-intensive, often limiting the extent over which they are characterized and the statistical robustness of obtained boulder morphometrics. To automate boulder characterization, we use an instance segmentation neural network, Mask R-CNN, to detect and outline boulders in high-resolution satellite images. Our neural network, BoulderNet, was trained from a dataset of > 33,000 boulders in > 750 image tiles from Earth, the Moon, and Mars. BoulderNet not only correctly detects the majority of boulders in images, but it identifies the outline of boulders with high fidelity, achieving average precision and recall values of 72% and 64% relative to manually digitized boulders from the test dataset, when only detections with intersection-over-union ratios > 50% are considered valid. These values are similar to those obtained by human mappers. On Earth, equivalent boulder diameters, aspect ratios, and orientations extracted from predictions were benchmarked against ground measurements and yield values within 15%, 0.20, and 20 degrees of their ground-truth values, respectively. BoulderNet achieves better boulder detection and characterization performance relative to existing methods, providing a versatile open-source tool to characterize entire boulder fields on planetary surfaces.
• Abstract（参考訳）: 岩は様々な地質学的プロセスから形成され、その大きさ、形状、方向がよりよく理解するのに役立ちます。 さらに、それらは特徴付ける必要のある宇宙船着陸の潜在的な危険性を表している。 しかし, 岩盤を広範囲にマッピングすることは非常に労働集約的であり, しばしばその特徴範囲や, 得られた岩盤形態計測の統計的堅牢性に限界がある。 岩盤のキャラクタリゼーションを自動化するため,高解像度衛星画像における岩盤の検出とアウトライン化のために,インスタンスセグメンテーションニューラルネットワークMask R-CNNを用いる。 私たちのニューラルネットワークBoulderNetは、地球、月、火星の750枚の画像タイルで33,000個の岩のデータセットからトレーニングされました。 bouldernetは画像中のボールダーの大多数を正しく検出するだけでなく、高い忠実度を持つボールダーの輪郭を識別し、平均精度とリコール値をテストデータセットから手動でデジタル化されたボールダーと比較して72%と64%達成する。 これらの値はヒトマッパーによって得られた値と似ている。 地球上では、地表面値の15%, 0.20, 20度以内の地上測定値と降伏値に対して、予測から抽出された等価なボールダー直径、アスペクト比、方位をそれぞれベンチマークした。 BoulderNetは既存の手法と比較して優れた岩場検出と特性評価を実現し、惑星表面上の岩場全体を特徴付ける汎用的なオープンソースツールを提供する。

関連論文リスト

• A comparative study on machine learning approaches for rock mass classification using drilling data [0.3749861135832073]
  掘削・爆発トンネルにおける現在の岩石工学設計は、技術者の観察的評価に依存している。 トンネル掘削時に収集した高分解能センサ・データセットであるMWDデータ(MWD)は未利用である。 本研究の目的は,MWDデータを岩盤工学の実用的な指標に自動変換することである。
  論文  参考訳（メタデータ） (2024-03-15T15:37:19Z)
• DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
  我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。 アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。 光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
  論文  参考訳（メタデータ） (2024-02-19T19:00:09Z)
• Deep-Learning Framework for Optimal Selection of Soil Sampling Sites [0.0]
  この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。 本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。 このモデルはテストデータセットにおいて、平均精度99.52%、IoU平均インターセクション57.35%、Dice Coefficient平均71.47%という驚くべき結果を得た。
  論文  参考訳（メタデータ） (2023-09-02T16:19:21Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Learning multiobjective rough terrain traversability [0.0]
  本研究では, 地形の高分解能地形データと地上車両シミュレーションを用いて, トラバーサビリティの予測を行う手法を提案する。 深層ニューラルネットワークは、局所的なハイトマップと目標速度からトラバーサビリティ対策を予測するために訓練される。 従来は見つからなかったレーザ走査型森林地形のモデルについて検討した。
  論文  参考訳（メタデータ） (2022-03-30T14:31:43Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• Mapping Slums with Medium Resolution Satellite Imagery: a Comparative Analysis of Multi-Spectral Data and Grey-level Co-occurrence Matrix Techniques [0.0]
  UN-Habitatは、世界中のスラム街に10億人以上が住んでいると推定している。 10メートル以上の解像度の衛星画像は、開発目標の追跡に適している可能性がある。
  論文  参考訳（メタデータ） (2021-06-21T20:11:27Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep Learning [0.0]
  本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。 訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
  論文  参考訳（メタデータ） (2021-02-05T19:38:44Z)

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。