論文の概要: BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD
- arxiv url: http://arxiv.org/abs/2406.05912v1
- Date: Sun, 9 Jun 2024 20:54:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 17:28:18.730269
- Title: BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD
- Title（参考訳）: BD-SAT:高分解能土地利用土地被覆データセットと開発部門のベンチマーク結果:ダッカ、BD
- Authors: Ovi Paul, Abu Bakar Siddik Nayem, Anis Sarker, Amin Ahsan Ali, M Ashraful Amin, AKM Mahbubur Rahman,
- Abstract要約: BD-SATは高解像度のデータセットで、ダッカ大都市圏と周辺農村部と都市部のLULCアノテーションを含んでいる。
厳密で標準化された手順を用いて、地上空間距離が2.22メートル/ピクセルであるBing衛星画像を用いて、地上の真理を作成する。
その結果, 注釈付きBD-SATは, 5つの主要なLULCクラスに対して, 適切な精度で大規模深層学習モデルを訓練するのに十分であることがわかった。
- 参考スコア（独自算出の注目度）: 1.0049728389234778
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Land Use Land Cover (LULC) analysis on satellite images using deep learning-based methods is significantly helpful in understanding the geography, socio-economic conditions, poverty levels, and urban sprawl in developing countries. Recent works involve segmentation with LULC classes such as farmland, built-up areas, forests, meadows, water bodies, etc. Training deep learning methods on satellite images requires large sets of images annotated with LULC classes. However, annotated data for developing countries are scarce due to a lack of funding, absence of dedicated residential/industrial/economic zones, a large population, and diverse building materials. BD-SAT provides a high-resolution dataset that includes pixel-by-pixel LULC annotations for Dhaka metropolitan city and surrounding rural/urban areas. Using a strict and standardized procedure, the ground truth is created using Bing satellite imagery with a ground spatial distance of 2.22 meters per pixel. A three-stage, well-defined annotation process has been followed with support from GIS experts to ensure the reliability of the annotations. We performed several experiments to establish benchmark results. The results show that the annotated BD-SAT is sufficient to train large deep learning models with adequate accuracy for five major LULC classes: forest, farmland, built-up areas, water bodies, and meadows.
- Abstract（参考訳）: 深層学習を用いた衛星画像の土地利用土地被覆(LULC)解析は,開発途上国の地理,社会経済状況,貧困水準,都市スプロールを理解する上で極めて有用である。
近年の研究では、農地、組立地域、森林、牧草地、水域など、LULCクラスとのセグメンテーションが行われている。
衛星画像上でのディープラーニングの訓練には、LULCクラスを付加した大量の画像を必要とする。
しかし、開発途上国の注釈付きデータは、資金不足、専用の住宅・産業・経済地帯の欠如、人口の多さ、多様な建築資材のために不足している。
BD-SATは高解像度のデータセットを提供しており、ダッカ大都市圏や周辺農村部や都市部のLULCアノテーションを含んでいる。
厳密で標準化された手順を用いて、地上空間距離が2.22メートル/ピクセルであるBing衛星画像を用いて、地上の真理を作成する。
アノテーションの信頼性を保証するため、GISの専門家による3段階の明確に定義されたアノテーションプロセスが続いた。
ベンチマーク結果を確立するために,いくつかの実験を行った。
その結果, 注釈付きBD-SATは, 森林, 農地, 組立地域, 水域, 牧草地の5つの主要なLULCクラスに対して, 適切な精度で大規模深層学習モデルを訓練するのに十分であることが示唆された。
関連論文リスト
- Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery [1.9806397201363817]
本研究では, 深層学習と衛星画像を用いた高分解能都市域マップの構築について述べる。
我々は、Landsat-8とESRI LULCデータセットの衛星画像に基づいて、DeepLabV3アーキテクチャに基づくディープラーニングモデルを開発した。
我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。
論文 参考訳（メタデータ） (2024-11-05T09:24:59Z) - Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。
地上画像ごとに正の衛星画像と負の衛星画像を導き出す。
また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
論文 参考訳（メタデータ） (2024-09-10T12:57:16Z) - Automated National Urban Map Extraction [0.3495246564946556]
発展途上国は通常、国家の屋上地図を作成し、定期的に更新する適切な統治手段を欠いている。
従来のフォトグラメトリと測量手法を用いて、このギャップを埋めて、そのような都市地図を自動で取得するパイプラインを提案することができる。
本稿では,多層建物のインスタンスセグメンテーションのための完全畳み込みニューラルネットワークのパワーを活用して,高いオブジェクトワイド精度を実現することを目的とする。
我々は、この作業を再現し、グローバル・サウスの適切な都市計画を欠いた地域で目撃された密集したスラム地帯で、非常に正確な結果を得るためのすべてのエンジニアリング手順を詳述する。
論文 参考訳（メタデータ） (2024-04-09T10:47:43Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - Building Segmentation on Satellite Images and Performance of
Post-Processing Methods [1.0499611180329804]
衛星画像のセグメンテーションは、都市、農業、通信網計画など多くの潜在的な用途に利用できる。
われわれは中国でいくつかのモデルを訓練し、その中の最高のモデルについて後処理を行った。
結果からわかるように、この分野の最先端の結果は得られていないが、結果は有望である。
論文 参考訳（メタデータ） (2022-12-28T06:16:39Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Segmenting across places: The need for fair transfer learning with
satellite imagery [24.087993065704527]
最先端のモデルは、都市部に比べて農村部での全体的な精度が良い。
本研究では, 都市部に比べて, 原産地と対象地域とでは, 生衛星画像が相違点が多いことを示す。
論文 参考訳（メタデータ） (2022-04-09T02:14:56Z) - Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region [0.28675177318965034]
我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。
ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
論文 参考訳（メタデータ） (2022-03-28T12:08:06Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - IS-COUNT: Large-scale Object Counting from Satellite Images with
Covariate-based Importance Sampling [90.97859312029615]
本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。
提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-12-16T18:59:29Z)
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。