論文の概要: Anomaly detection for the identification of volcanic unrest in satellite imagery

• arxiv url: http://arxiv.org/abs/2405.18487v1
• Date: Tue, 28 May 2024 18:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 22:13:00.905796
• Title: Anomaly detection for the identification of volcanic unrest in satellite imagery
• Title（参考訳）: 衛星画像における火山活動の異常検出
• Authors: Robert Gabriel Popescu, Nantheera Anantrasirichai, Juliet Biggs,
• Abstract要約: 本稿では, 火山の変形を異常として識別する目的で, 衛星データに対する教師なし深層学習の利用について検討する。 我々の検出器はパッチ分布モデリング(PaDiM)に基づいており、検出性能は重み付き距離で向上する。
• 参考スコア（独自算出の注目度）: 2.642212767247493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite images have the potential to detect volcanic deformation prior to eruptions, but while a vast number of images are routinely acquired, only a small percentage contain volcanic deformation events. Manual inspection could miss these anomalies, and an automatic system modelled with supervised learning requires suitably labelled datasets. To tackle these issues, this paper explores the use of unsupervised deep learning on satellite data for the purpose of identifying volcanic deformation as anomalies. Our detector is based on Patch Distribution Modeling (PaDiM), and the detection performance is enhanced with a weighted distance, assigning greater importance to features from deeper layers. Additionally, we propose a preprocessing approach to handle noisy and incomplete data points. The final framework was tested with five volcanoes, which have different deformation characteristics and its performance was compared against the supervised learning method for volcanic deformation detection.
• Abstract（参考訳）: 衛星画像は噴火前に火山の変形を検出する可能性があるが、大量の画像が日常的に取得される一方で、火山の変形イベントを含むのはごくわずかである。 手動検査はこれらの異常を見逃しかねず、教師付き学習でモデル化された自動システムは適切にラベル付けされたデータセットを必要とする。 これらの課題に対処するために, 衛星データにおける教師なし深層学習を用いて, 火山変形を異常として識別する方法について検討した。 我々の検出器はパッチ分布モデリング(PaDiM)に基づいており、検出性能は重み付けされた距離で向上し、より深い層の特徴をより重要視する。 さらに,ノイズや不完全データを扱うための前処理手法を提案する。 最終フレームワークは, 変形特性が異なる5つの火山で試験し, その性能を火山変形検出の教師付き学習法と比較した。

関連論文リスト

• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• 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)
• A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
  Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。 HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。 予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-22T23:49:44Z)
• Self-supervised Contrastive Learning for Volcanic Unrest Detection [4.152165675786138]
  InSAR(Interferometric Synthetic Aperture Radar)データから測定した地盤変形は,火山活動の兆候と考えられる。 近年の研究では, 火山の変形信号の検出にSentinel-1 InSARデータと教師付き深層学習(DL)手法を用いることの可能性が示されている。 本稿では,ラベルのないInSARデータに隠された高品質な視覚表現を学習するために,自己教師付きコントラスト学習を用いることを提案する。
  論文  参考訳（メタデータ） (2022-02-08T17:54:51Z)
• Learning class prototypes from Synthetic InSAR with Vision Transformers [2.41710192205034]
  火山活動の早期の兆候の検出は、火山の危険を評価するために重要である。 本稿では,合成干渉図の豊富な情報源を利用した新しい深層学習手法を提案する。 本報告では, 火山変動検出技術に勝る検出精度について報告する。
  論文  参考訳（メタデータ） (2022-01-09T14:03:00Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• On-board Volcanic Eruption Detection through CNNs and Satellite Multispectral Imagery [59.442493247857755]
  著者らは、最初のプロトタイプと、AIモデルが“ロード”される可能性の研究を提案している。 ケーススタディでは,早期に警報を発生させる方法として,火山噴火の検出について検討することにした。 2つの畳み込みニューラルネットワークが提案され、作成され、実際のハードウェア上でそれらを正しく実装する方法も示されている。
  論文  参考訳（メタデータ） (2021-06-29T11:52:43Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• End-to-End Intelligent Framework for Rockfall Detection [1.8594711725515676]
  岩石の検出は地質学の分野で重要な手順であり、関連するリスクを減らすのに役立ちます。 現在、地質学者は、地球レーザースキャナーやデジタルカメラなどのさまざまなキャプションデバイスから得られたポイントクラウドと画像データを使用して、ほぼ手動で岩石のイベントを特定します。 本稿では,この課題に対処し,ドメイン地質と意思決定支援システムの交点で働く個人に対して,ロックフォールイベント検出のためのインテリジェントなフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-02-12T12:48:17Z)

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。