論文の概要: Portraying the Need for Temporal Data in Flood Detection via Sentinel-1
- arxiv url: http://arxiv.org/abs/2403.03671v1
- Date: Wed, 6 Mar 2024 12:47:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 15:03:06.135957
- Title: Portraying the Need for Temporal Data in Flood Detection via Sentinel-1
- Title（参考訳）: センチネル-1による洪水検出における時間データの必要性
- Authors: Xavier Bou, Thibaud Ehret, Rafael Grompone von Gioi, Jeremy Anger
- Abstract要約: リモートセンシングデータの洪水被害地域を特定することは 地球観測において重要な問題です
世界中の多様なMMFloodデータセットをマルチ日付に拡張し、各洪水イベントに関するSentinel-1観測を1年間提供する。
本稿では,人気ビデオ変化検出器ViBeにインスパイアされた簡易な方法を提案する。
- 参考スコア（独自算出の注目度）: 5.380009458891537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying flood affected areas in remote sensing data is a critical problem
in earth observation to analyze flood impact and drive responses. While a
number of methods have been proposed in the literature, there are two main
limitations in available flood detection datasets: (1) a lack of region
variability is commonly observed and/or (2) they require to distinguish
permanent water bodies from flooded areas from a single image, which becomes an
ill-posed setup. Consequently, we extend the globally diverse MMFlood dataset
to multi-date by providing one year of Sentinel-1 observations around each
flood event. To our surprise, we notice that the definition of flooded pixels
in MMFlood is inconsistent when observing the entire image sequence. Hence, we
re-frame the flood detection task as a temporal anomaly detection problem,
where anomalous water bodies are segmented from a Sentinel-1 temporal sequence.
From this definition, we provide a simple method inspired by the popular video
change detector ViBe, results of which quantitatively align with the SAR image
time series, providing a reasonable baseline for future works.
- Abstract（参考訳）: リモートセンシングデータにおける浸水被害箇所の特定は, 地中観測において, 洪水の影響を分析し, 応答を駆動する上で重要な問題である。
文献にはいくつかの方法が提案されているが, 洪水検知データセットには, (1) 地域変動性の欠如が一般的に観測されていること, (2) 洪水地域から永久水域を区別する必要があること, という2つの制約がある。
その結果,洪水イベント毎に1年間のセンチネル-1観測を行い,グローバルに多様なmmfloodデータセットを複数に拡張した。
驚いたことに、MMFloodにおける浸水画素の定義は、画像シーケンス全体を観察するときに矛盾している。
そこで,洪水検知タスクを,異常な水域をセンチネル-1時間系列から区分した時間的異常検出問題として再構成する。
この定義から,人気のあるビデオ変化検出装置vibeにインスパイアされた簡易な手法を提案する。その結果,sar画像時系列と定量的に一致し,今後の作業に合理的な基準となる。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳（メタデータ） (2023-11-15T18:49:29Z) - Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。
本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。
初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
論文 参考訳（メタデータ） (2023-10-20T01:44:49Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - 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) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - Cross-Geography Generalization of Machine Learning Methods for
Classification of Flooded Regions in Aerial Images [3.9921541182631253]
本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。
最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。
2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
論文 参考訳（メタデータ） (2022-10-04T13:11:44Z) - Towards Daily High-resolution Inundation Observations using Deep
Learning and EO [0.0]
絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。
衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。
空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
論文 参考訳（メタデータ） (2022-08-10T14:04:50Z) - Attentive Dual Stream Siamese U-net for Flood Detection on
Multi-temporal Sentinel-1 Data [0.0]
両時間SARによる洪水検知ネットワークを提案する。
提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。
このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
論文 参考訳（メタデータ） (2022-04-20T10:56:39Z) - Detection of Deepfake Videos Using Long Distance Attention [73.6659488380372]
既存のほとんどの検出方法は、問題をバニラ二項分類問題として扱う。
本稿では,偽顔と実顔の相違が非常に微妙であるため,特にきめ細かな分類問題として扱われる。
大域的な視点で空間的・時間的偽の痕跡を捉えるための2つの要素を持つ時空間モデルを提案する。
論文 参考訳（メタデータ） (2021-06-24T08:33:32Z)
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。