論文の概要: Non-Uniform Spatial Alignment Errors in sUAS Imagery From Wide-Area Disasters

• arxiv url: http://arxiv.org/abs/2405.06593v1
• Date: Fri, 10 May 2024 16:48:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 15:18:23.345643
• Title: Non-Uniform Spatial Alignment Errors in sUAS Imagery From Wide-Area Disasters
• Title（参考訳）: 広域災害からのSUAS画像における非均一空間配向誤差
• Authors: Thomas Manzini, Priyankari Perali, Raisa Karnik, Mihir Godbole, Hasnat Abdullah, Robin Murphy,
• Abstract要約: 本研究は,小型無人航空システム(SUAS)とプレジデントビルディングポリゴンのアライメント誤差を定量的に検討した。 既存の空間データを sUAS 画像と整合させる努力は存在しないため、明確な実践状況は存在しない。 本研究は16787.2Acres(26.23平方マイル)を対象とし,21,619個のポリゴンの変換アライメント誤差を特定し,解析する。 解析により,建築多角形アライメントの角度と距離の測定値の間には,平均等級のばらつきが生じるため,一様性は見つからない。
• 参考スコア（独自算出の注目度）: 0.5013868868152142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents the first quantitative study of alignment errors between small uncrewed aerial systems (sUAS) geospatial imagery and a priori building polygons and finds that alignment errors are non-uniform and irregular. The work also introduces a publicly available dataset of imagery, building polygons, and human-generated and curated adjustments that can be used to evaluate existing strategies for aligning building polygons with sUAS imagery. There are no efforts that have aligned pre-existing spatial data with sUAS imagery, and thus, there is no clear state of practice. However, this effort and analysis show that the translational alignment errors present in this type of data, averaging 82px and an intersection over the union of 0.65, which would induce further errors and biases in downstream machine learning systems unless addressed. This study identifies and analyzes the translational alignment errors of 21,619 building polygons in fifty-one orthomosaic images, covering 16787.2 Acres (26.23 square miles), constructed from sUAS raw imagery from nine wide-area disasters (Hurricane Ian, Hurricane Harvey, Hurricane Michael, Hurricane Ida, Hurricane Idalia, Hurricane Laura, the Mayfield Tornado, the Musset Bayou Fire, and the Kilauea Eruption). The analysis finds no uniformity among the angle and distance metrics of the building polygon alignments as they present an average degree variance of 0.4 and an average pixel distance variance of 0.45. This work alerts the sUAS community to the problem of spatial alignment and that a simple linear transform, often used to align satellite imagery, will not be sufficient to align spatial data in sUAS orthomosaic imagery.
• Abstract（参考訳）: 本研究は, 小型無人航空システム (SUAS) とポリゴンのプレジデント構築におけるアライメント誤差の定量的検討を行い, アライメント誤差が一様で不規則であることを見出した。 また、画像の公開データセット、ポリゴンの構築、およびポリゴンの構築とsUAS画像の整合性を評価するための既存の戦略の評価に使用できる人為的な調整も導入されている。 既存の空間データを sUAS 画像と整合させる努力は存在しないため、明確な実践状況は存在しない。 しかし、この取り組みと分析により、このタイプのデータに存在する翻訳アライメントエラーは平均82pxであり、0.65の結合上の交点であり、対処しなければ下流の機械学習システムでさらなるエラーやバイアスを引き起こすことが示されている。 本研究では, ハリケーン・アイアン, ハリケーン・ハーベイ, ハリケーン・マイケル, ハリケーン・アイダ, ハリケーン・アイダリア, ハリケーン・ローラ, メイフィールド・トルネード, ムセット・バイユー火災, キラウエア噴火の9大災害から, 16787.2 Acres (26.23平方マイル) の多角形の翻訳誤差を明らかにし, 解析した。 解析の結果,建築多角形アライメントの角度と距離の計測値には,平均等級差0.4,平均画素距離差0.45を示すため,一様性は認められなかった。 この研究は、sUASコミュニティに空間的アライメントの問題と、衛星画像のアライメントにしばしば使用される単純な線形変換が、sUASのオルソモザイク画像に空間データをアライメントするのに十分ではないことを警告する。

関連論文リスト

• Unsupervised Multi-view UAV Image Geo-localization via Iterative Rendering [31.716967688739036]
  無人航空機 (UAV) クロスビュージオローカライゼーション (CVGL) は重要な課題である。 既存の手法は、ビュー横断検索のための視点不変の特徴を抽出するためにラベル付きデータセットの監督に依存している。 衛星画像生成のためのUAV観測から3次元空間にシーン表現を持ち上げる教師なしのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-11-22T09:22:39Z)
• CRASAR-U-DROIDs: A Large Scale Benchmark Dataset for Building Alignment and Damage Assessment in Georectified sUAS Imagery [0.5699788926464749]
  CRASAR-U-DROIDsは、SUASオルソモザイク画像の最大のラベル付きデータセットである。 CRASAR-U-DRIODsデータセットは、連邦政府が宣言した災害10件から52件(52件)のオルソモザイクで構成されている。
  論文  参考訳（メタデータ） (2024-07-24T23:39:10Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Building Footprint Extraction in Dense Areas using Super Resolution and Frame Field Learning [1.949927790632678]
  超解像は、空中画像の空間分解能を高めるために用いられ、より微細な細部を捉えることができる。 この強調画像は、セグメンテーションヘッドとフレームフィールド学習ヘッドからなるマルチタスク学習モジュールへの入力として機能する。 我々のモデルは適応的な損失重み付けによって制御され、鋭いエッジと細粒度ポリゴンの抽出が可能となる。
  論文  参考訳（メタデータ） (2023-09-04T15:15:34Z)
• Creating A Coefficient of Change in the Built Environment After a Natural Disaster [0.0]
  本研究では,ディープラーニングのワークフローを用いて構築環境の損傷を定量的に評価する手法を提案する。 世界中の50の震源地で自然災害前後の航空画像がGoogle Earthから得られた。
  論文  参考訳（メタデータ） (2021-10-31T20:46:31Z)
• Cross-Region Building Counting in Satellite Imagery using Counting Consistency [8.732274235941974]
  都市分析、災害管理、公共政策決定に欠かせない要素である。 衛星画像のローカライズとカウントのためのディープラーニング手法は、実現可能で安価な代替手段として機能する。 しかし、これらのアルゴリズムは、訓練されていない領域に適用した場合、性能劣化に悩まされる。
  論文  参考訳（メタデータ） (2021-10-26T10:36:56Z)
• Feature Space Targeted Attacks by Statistic Alignment [74.40447383387574]
  特徴空間ターゲットは、中間特徴写像を変調して摂動画像を攻撃する。 画素ワイドユークリッド距離の現在の選択は、ソースとターゲットの特徴に不合理に空間整合性制約を課すため、不一致を測定することが疑問視されている。 本稿では,Pair-wise Alignment AttackとGlobal-wise Alignment Attackという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-25T03:46:39Z)
• Wide-Depth-Range 6D Object Pose Estimation in Space [124.94794113264194]
  宇宙での6Dポーズ推定は、地上環境では一般的に遭遇しないユニークな課題を引き起こします。 最も顕著な違いの1つは、大気の散乱の欠如であり、物体を遠くから見えるようにします。 本稿では,単一段階の階層型エンドツーエンドトレーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T08:39:26Z)
• 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)
• PropagationNet: Propagate Points to Curve to Learn Structure Information [79.65125870257009]
  熱マップ回帰に基づく構造注入型顔アライメントアルゴリズムを提案する。 また,地中条件下での採鉱・採鉱の難しさを強調したFocal Wing Lossを提案する。 提案手法では,WFLWでは平均誤差が4.05%,300Wでは平均誤差が2.93%,COFWでは平均誤差が3.71%となる。
  論文  参考訳（メタデータ） (2020-06-25T11:08:59Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。