論文の概要: Interpreting a Semantic Segmentation Model for Coastline Detection

• arxiv url: http://arxiv.org/abs/2405.11500v1
• Date: Sun, 19 May 2024 09:57:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 17:18:28.081499
• Title: Interpreting a Semantic Segmentation Model for Coastline Detection
• Title（参考訳）: 海岸線検出のためのセマンティックセグメンテーションモデルの解釈
• Authors: Conor O'Sullivan, Seamus Coveney, Xavier Monteys, Soumyabrata Dev,
• Abstract要約: NIRは最も重要なスペクトルバンドである。 水蒸気は典型的には水蒸気には使われない。 沿岸エアロゾル、グリーン、レッド、RE1、RE2、RE3、RE4、SWIR2は精度を低下させなかった。
• 参考スコア（独自算出の注目度）: 2.5311562666866494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We interpret a deep-learning semantic segmentation model used to classify coastline satellite images into land and water. This is to build trust in the model and gain new insight into the process of coastal water body extraction. Specifically, we seek to understand which spectral bands are important for predicting segmentation masks. This is done using a permutation importance approach. Results show that the NIR is the most important spectral band. Permuting this band lead to a decrease in accuracy of 38.12 percentage points. This is followed by Water Vapour, SWIR 1, and Blue bands with 2.58, 0.78 and 0.19 respectively. Water Vapour is not typically used in water indices and these results suggest it may be useful for water body extraction. Permuting, the Coastal Aerosol, Green, Red, RE1, RE2, RE3, RE4, and SWIR 2 bands did not decrease accuracy. This suggests they could be excluded from future model builds reducing complexity and computational requirements.
• Abstract（参考訳）: 海岸線衛星画像から陸水への分類に使用される深層学習セマンティックセマンティックセマンティックセマンティクスモデルを解釈する。 これは、モデルに対する信頼を築き、沿岸水域抽出のプロセスに関する新たな洞察を得るためである。 具体的には,どのスペクトル帯がセグメンテーションマスクの予測に重要であるかを明らかにする。 これは置換の重要性のアプローチを用いて行われる。 結果は、NIRが最も重要なスペクトルバンドであることを示している。 このバンドの変奏により、38.12ポイントの精度が低下した。 水蒸気、SWIR 1、ブルーのバンドはそれぞれ2.58、0.78、0.19である。 水蒸気は典型的には水蒸気の指標には使われず,水蒸気の抽出に有用である可能性が示唆された。 コースタルエアロゾル、グリーン、レッド、RE1、RE2、RE3、RE4、SWIR 2は精度は低下しなかった。 これは、複雑さと計算要求を減らす将来のモデルビルドから除外される可能性があることを示唆している。

関連論文リスト

• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• 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)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Analysis and application of multispectral data for water segmentation using machine learning [17.249770300587812]
  本研究では,セグメンテーションのためのSentinel-2製品で利用可能な13バンド中10バンドの性能を比較した。 短波赤外域(B11,B12)は水域のセグメンテーションに最も優れている。 適切な量のデータを選択することの有効性を示すため,人工ニューラルネットワークBandNetのトレーニングには,B11リフレクタンスデータのみを使用する。
  論文  参考訳（メタデータ） (2022-12-16T23:19:44Z)
• S-R2F2U-Net: A single-stage model for teeth segmentation [3.42658286826597]
  1500個の歯科用パノラマX線画像を含むベンチマークデータセットを用いて,モデルを訓練し,評価する。 S-R2F2U-Netは97.31%の精度と93.26%のダイススコアを獲得し、最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-06T17:07:09Z)
• Cycle-StarNet: Bridging the gap between theory and data by leveraging large datasets [0.0]
  現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。 本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T23:06:58Z)
• Rethinking Bottleneck Structure for Efficient Mobile Network Design [154.47657111869552]
  倒立残差ブロックは最近,モバイルネットワークのアーキテクチャ設計を支配している。 この構造を反転させ,より高次元でのアイデンティティマッピングと空間変換を行うサンドグラスブロックと呼ばれる新しいボトルネック設計を提案する。 ImageNet分類では、パラメータや計算量を増やすことなく、逆残差ブロックを砂時計ブロックに置き換えることによって、MobileNetV2よりも1.7%以上精度を向上することができる。
  論文  参考訳（メタデータ） (2020-07-05T08:55:26Z)
• Edge Preserving CNN SAR Despeckling Algorithm [1.933681537640272]
  我々は,畳み込みニューラルネットワークを訓練し,再検討するための新たなコスト関数を定義する。 目的は、エッジの保存を制御し、人工構造物や都市部をよりよくフィルターすることである。 その結果、同種でない領域において、良質な結果を均一な領域に保ち、非常に良好な改善が得られた。
  論文  参考訳（メタデータ） (2020-01-14T11:26:43Z)

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。