Fugu-MT 論文翻訳(概要): Unveiling Ancient Maya Settlements Using Aerial LiDAR Image Segmentation

論文の概要: Unveiling Ancient Maya Settlements Using Aerial LiDAR Image Segmentation

arxiv url: http://arxiv.org/abs/2403.05773v1
Date: Sat, 9 Mar 2024 02:59:48 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 12:34:08.693196
Title: Unveiling Ancient Maya Settlements Using Aerial LiDAR Image Segmentation
Title（参考訳）: 空中LiDAR画像セグメンテーションによる古代マヤ集落の発掘
Authors: Jincheng Zhang, William Ringle, Andrew R. Willis
Abstract要約: 本稿では,近年の深層学習(DL)の進歩が,空中LiDAR画像の考古学的構造を正確にセグメント化するための効率的なソリューションであることを示す。提案手法は、トレーニングされたYOLOv8ネットワークを生成するために、生のLiDARデータの新しい前処理とデータセット拡張手法を使用する。その結果,プラットフォームでは0.842,既存手法では0.809であった。
参考スコア（独自算出の注目度）: 0.5261718469769447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Manual identification of archaeological features in LiDAR imagery is labor-intensive, costly, and requires archaeological expertise. This paper shows how recent advancements in deep learning (DL) present efficient solutions for accurately segmenting archaeological structures in aerial LiDAR images using the YOLOv8 neural network. The proposed approach uses novel pre-processing of the raw LiDAR data and dataset augmentation methods to produce trained YOLOv8 networks to improve accuracy, precision, and recall for the segmentation of two important Maya structure types: annular structures and platforms. The results show an IoU performance of 0.842 for platforms and 0.809 for annular structures which outperform existing approaches. Further, analysis via domain experts considers the topological consistency of segmented regions and performance vs. area providing important insights. The approach automates time-consuming LiDAR image labeling which significantly accelerates accurate analysis of historical landscapes.
Abstract（参考訳）: LiDAR画像における考古学的特徴のマニュアル識別は、労働集約的でコストがかかり、考古学的な専門知識を必要とする。本稿では, YOLOv8ニューラルネットワークを用いて, 空中LiDAR画像の考古学的構造を高精度に分割する手法について述べる。提案手法では, 訓練されたYOLOv8ネットワークを生成するために, 生のLiDARデータとデータセット拡張手法の新規な前処理を用いて, 精度, 精度, 再現性を向上し, 環状構造とプラットフォームという2つの重要なマヤ構造のセグメンテーションを行う。その結果、iou性能はプラットフォームが0.842、環状構造が0.809となり、既存のアプローチを上回った。さらに、ドメインの専門家による分析では、セグメント化された領域のトポロジ的一貫性と、重要な洞察を提供する領域のパフォーマンスが考慮されている。このアプローチは、歴史的景観の正確な分析を著しく加速する、時間を要するLiDAR画像ラベリングを自動化する。

関連論文リスト

Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
論文参考訳（メタデータ） (2023-09-25T19:50:47Z)
DeNISE: Deep Networks for Improved Segmentation Edges [4.588028371034407]
Deep Networks for Improved Edges (DeNISE)は、エッジ検出とセグメンテーションモデルを用いて、セグメンテーションマスクの境界品質を改善する新しいデータ拡張技術である。 DeNISEはあらゆる種類のニューラルネットワークに適用され、エンドツーエンドでトレーニングされていない。
論文参考訳（メタデータ） (2023-09-05T09:54:26Z)
Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文参考訳（メタデータ） (2023-07-28T16:03:28Z)
Transfer Learning of Semantic Segmentation Methods for Identifying Buried Archaeological Structures on LiDAR Data [1.2116854758481392]
本稿では、2つのLiDARデータセット上の2つのセマンティックセグメンテーションディープニューラルネットワークを用いて、様々な伝達学習構成の性能を比較する。実験結果から, 考古学における伝達学習に基づくアプローチは, 性能改善につながる可能性が示唆された。
論文参考訳（メタデータ） (2023-07-07T11:00:44Z)
Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文参考訳（メタデータ） (2023-01-03T06:47:31Z)
Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文参考訳（メタデータ） (2022-07-17T07:05:39Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文参考訳（メタデータ） (2020-12-16T21:46:33Z)
Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。