論文の概要: Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery

• arxiv url: http://arxiv.org/abs/2409.12817v1
• Date: Thu, 19 Sep 2024 14:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 13:23:33.502253
• Title: Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery
• Title（参考訳）: セマンティックセグメンテーションによるセンチネル2画像の自動線形外乱マッピング
• Authors: Andrew M. Nagel, Anne Webster, Christopher Henry, Christopher Storie, Ignacio San-Miguel Sanchez, Olivier Tsui, Jason Duffe, Andy Dean,
• Abstract要約: 道路、地震探査線、パイプラインは、森林地帯のカリブーの人口に重大な脅威をもたらす。 本研究では、低解像度(10m)のSentinel-2衛星画像のセマンティックセグメンテーションのためのVGGNet16アーキテクチャに基づく深部畳み込みニューラルネットワークモデルを用いる。 このモデルは、無料のAlberta Institute of Biodiversity Monitoring Human Footprintデータセットから得られた、地平線ラベルマップを使って訓練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Canada's northern regions, linear disturbances such as roads, seismic exploration lines, and pipelines pose a significant threat to the boreal woodland caribou population (Rangifer tarandus). To address the critical need for management of these disturbances, there is a strong emphasis on developing mapping approaches that accurately identify forest habitat fragmentation. The traditional approach is manually generating maps, which is time-consuming and lacks the capability for frequent updates. Instead, applying deep learning methods to multispectral satellite imagery offers a cost-effective solution for automated and regularly updated map production. Deep learning models have shown promise in extracting paved roads in urban environments when paired with high-resolution (<0.5m) imagery, but their effectiveness for general linear feature extraction in forested areas from lower resolution imagery remains underexplored. This research employs a deep convolutional neural network model based on the VGGNet16 architecture for semantic segmentation of lower resolution (10m) Sentinel-2 satellite imagery, creating precise multi-class linear disturbance maps. The model is trained using ground-truth label maps sourced from the freely available Alberta Institute of Biodiversity Monitoring Human Footprint dataset, specifically targeting the Boreal and Taiga Plains ecozones in Alberta, Canada. Despite challenges in segmenting lower resolution imagery, particularly for thin linear disturbances like seismic exploration lines that can exhibit a width of 1-3 pixels in Sentinel-2 imagery, our results demonstrate the effectiveness of the VGGNet model for accurate linear disturbance retrieval. By leveraging the freely available Sentinel-2 imagery, this work advances cost-effective automated mapping techniques for identifying and monitoring linear disturbance fragmentation.
• Abstract（参考訳）: カナダの北部では、道路、地震探査線、パイプラインなどの直線的な乱れが森林地帯のカリブー(Rangifer tarandus)に重大な脅威をもたらす。 森林の生息域の断片化を正確に識別するマッピング手法の開発に重点が置かれている。 従来のアプローチでは手動でマップを生成するが、これは時間を要するため頻繁な更新の能力に欠ける。 代わりに、マルチスペクトル衛星画像にディープラーニング手法を適用することで、自動および定期的に更新された地図生成のためのコスト効率の高いソリューションを提供する。 深層学習モデルでは,高分解能画像(0.5m)と組み合わせた都市環境における舗装道路の抽出が期待されているが,低分解能画像からの森林地帯における一般線形特徴抽出の有効性は未解明のままである。 本研究では、VGGNet16アーキテクチャに基づく深部畳み込みニューラルネットワークモデルを用いて、低解像度(10m)のSentinel-2衛星画像のセマンティックセグメンテーションを行い、高精度なマルチクラス線形外乱マップを作成する。 このモデルは、カナダ、アルバータ州のボレアル平原とタイガ平原のエコゾーンを対象とする、アルバータ生物多様性監視人足プリントデータセット(英語版)から入手した地平線ラベルマップを用いて訓練されている。 特に地震探査線のような細い線形外乱は, 高精度な線形外乱抽出のためのVGGNetモデルの有効性を示す。 無償で利用可能なSentinel-2画像を活用することで、線形外乱の断片化を識別し監視するためのコスト効率の良い自動マッピング技術が進歩する。

関連論文リスト

• Landslide mapping from Sentinel-2 imagery through change detection [0.12289361708127873]
  地すべりは、最も重要で破壊的なジオハザードの1つである。 本稿では,Sentinel-2画像を用いた地すべりのマッピング手法について検討する。 本稿では,DEM(Digital Elevation Model)データとSentinel-2バイテンポラル画像ペアを融合する新たなディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-30T15:33:32Z)
• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• 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)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images [3.9921541182631253]
  本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。 最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。 2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
  論文  参考訳（メタデータ） (2022-10-04T13:11:44Z)
• Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series [33.10103896300028]
  本研究では,10mSentinel-2マルチスペクトル画像系列から2.5mの耕作地図を抽出する手法を提案する。 実験結果から,我々のモデルは,高品質なセグメンテーションマップを提供することによって,古典的および深層機械学習技術よりも優れていることがわかった。 このような記憶の脆弱さは、ミッションにおいて重要なものであり、軌道にいるとモデルとAIによる衛星とのアップリンクを可能にします。
  論文  参考訳（メタデータ） (2022-08-03T21:19:06Z)
• Superpixel-Based Building Damage Detection from Post-earthquake Very High Resolution Imagery Using Deep Neural Networks [15.761849146985494]
  地震などの自然災害後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。 地震による建築物の損傷を検知するために多くの手法が開発されているが、VHR画像に表されるリッチな特徴を活用することにはほとんど注意が払われていない。 本稿では,Deep Neural Networks(DNN)と修正セグメンテーション手法を組み合わせた,新しい超画素ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-09T08:05:02Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)

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。