論文の概要: Analyzing Decades-Long Environmental Changes in Namibia Using Archival Aerial Photography and Deep Learning
- arxiv url: http://arxiv.org/abs/2404.08544v2
- Date: Sun, 21 Apr 2024 10:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 20:47:39.258727
- Title: Analyzing Decades-Long Environmental Changes in Namibia Using Archival Aerial Photography and Deep Learning
- Title（参考訳）: 考古学的航空写真と深層学習を用いたナミビアの10年にわたる環境変化の分析
- Authors: Girmaw Abebe Tadesse, Caleb Robinson, Gilles Quentin Hacheme, Akram Zaytar, Rahul Dodhia, Tsering Wangyal Shawa, Juan M. Lavista Ferres, Emmanuel H. Kreike,
- Abstract要約: 本研究では,ナミビアの歴史的航空写真における物体検出について検討し,長期的環境変化を同定する。
ナミビアのオシカンゴ周辺では,1943年から1972年までの亜等級の灰色空中画像を用いて,水孔,オムティ地層,ビッグツリーを同定した。
- 参考スコア（独自算出の注目度）: 3.2646041863358133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study explores object detection in historical aerial photographs of Namibia to identify long-term environmental changes. Specifically, we aim to identify key objects -- Waterholes, Omuti homesteads, and Big trees -- around Oshikango in Namibia using sub-meter gray-scale aerial imagery from 1943 and 1972. In this work, we propose a workflow for analyzing historical aerial imagery using a deep semantic segmentation model on sparse hand-labels. To this end, we employ a number of strategies including class-weighting, pseudo-labeling and empirical p-value-based filtering to balance skewed and sparse representations of objects in the ground truth data. Results demonstrate the benefits of these different training strategies resulting in an average $F_1=0.661$ and $F_1=0.755$ over the three objects of interest for the 1943 and 1972 imagery, respectively. We also identified that the average size of Waterhole and Big trees increased while the average size of Omuti homesteads decreased between 1943 and 1972 reflecting some of the local effects of the massive post-Second World War economic, agricultural, demographic, and environmental changes. This work also highlights the untapped potential of historical aerial photographs in understanding long-term environmental changes beyond Namibia (and Africa). With the lack of adequate satellite technology in the past, archival aerial photography offers a great alternative to uncover decades-long environmental changes.
- Abstract（参考訳）: 本研究では,ナミビアの歴史的航空写真における物体検出について検討し,長期的環境変化を同定する。
具体的には、1943年から1972年にかけて、ナミビアのオシカンゴ周辺の水穴、オムティ、ビッグツリーなどの主要天体を、亜等級のグレースケールの空中画像を用いて識別することを目的としている。
本研究では,スパース・ハンドラベルの深部セマンティック・セマンティック・セグメンテーション・モデルを用いて,歴史的空中画像を分析するワークフローを提案する。
そこで本研究では, クラス重み付け, 擬似ラベル付け, 経験的p値フィルタリングなどの手法を用いて, 実データ中のオブジェクトの歪んだ表現とスパース表現のバランスをとる。
結果は、1943年と1972年の3つの画像に対して、平均$F_1=0.661$と$F_1=0.755$という異なるトレーニング戦略の利点を示している。
また,戦後の大規模経済・農業・人口・環境変化の地域的影響を反映して,1943年から1972年にかけてはオムティ住宅の平均規模が減少する一方で,水穴や大木の平均規模が増加したことも確認した。
この研究は、ナミビア(およびアフリカ)以外の長期的な環境変化を理解する上で、歴史的な航空写真が未完成の可能性があることも強調している。
過去に十分な衛星技術がなかったため、考古学的航空写真は数十年にわたる環境変化を解明するための優れた代替手段となる。
関連論文リスト
- Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - Accuracy and Consistency of Space-based Vegetation Height Maps for
Forest Dynamics in Alpine Terrain [18.23260742076316]
スイス国立森林調査所(NFI)は、0.5mの空間解像度で全国の植生高度マップを提供している。
これは、宇宙からのリモートセンシングと深層学習を用いて、大規模な植生高度マップを生成することで改善できる。
センチネル2衛星画像に基づいて,2017年から2020年までの10m地点で年間,全国の植生高度マップを作成した。
論文 参考訳（メタデータ） (2023-09-04T20:23:57Z) - Flickr Africa: Examining Geo-Diversity in Large-Scale, Human-Centric
Visual Data [3.4022338837261525]
アフリカの各国に関連付けられた地理タグ付きFlickr画像を用いて、大規模な人中心画像の地理的多様性を解析した。
欧州の人口適合国と比較して,利用可能なデータの量と内容について報告する。
我々は、アフリカからのかなりの数の画像が、非地元の写真家によって撮影されている証拠として、他者現象の発見を提示する。
論文 参考訳（メタデータ） (2023-08-16T20:12:01Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-12-27T20:56:34Z) - MapInWild: A Remote Sensing Dataset to Address the Question What Makes
Nature Wild [4.42251021399814]
衛星画像に適用した機械学習による荒野マッピングの課題について紹介する。
MapInWildは、そのタスクのための大規模なベンチマークキュレートされたデータセットです。
データセットは、1920 x 1920ピクセルの8144画像で構成され、約350GBである。
論文 参考訳（メタデータ） (2022-12-05T13:45:06Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - Multi-Label Classification on Remote-Sensing Images [0.0]
本報告は、アマゾン熱帯雨林の衛星画像チップに、さまざまな機械学習モデルと優れたディープラーニングモデルを通して、大気および様々な土地被覆や土地利用のクラスをラベル付けすることを目的としている。
今までのベストスコアは、F2測定値が0.927である。
論文 参考訳（メタデータ） (2022-01-06T08:42:32Z) - Country-wide Retrieval of Forest Structure From Optical and SAR
Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。
本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。
ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文 参考訳（メタデータ） (2021-11-25T16:21:28Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
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。