論文の概要: Enhancing coastal water body segmentation with Landsat Irish Coastal Segmentation (LICS) dataset
- arxiv url: http://arxiv.org/abs/2409.15311v1
- Date: Thu, 5 Sep 2024 10:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 20:05:48.764691
- Title: Enhancing coastal water body segmentation with Landsat Irish Coastal Segmentation (LICS) dataset
- Title（参考訳）: Landsat Irish Coastal Segmentation (LICS) データセットによる沿岸水域のセグメンテーションの促進
- Authors: Conor O'Sullivan, Ambrish Kashyap, Seamus Coveney, Xavier Monteys, Soumyabrata Dev,
- Abstract要約: 本稿では,沿岸水域セグメンテーションのための深層学習手法の開発を支援するLandsat Irish Coastal (LICS)データセットを提案する。
データセットはセグメンテーションのための様々な自動化アプローチを評価するために使用され、U-NETは95.0%の精度を達成した。
この研究は、より正確なトレーニングデータと代替の浸食測定を考慮し、ディープラーニングアプローチをさらに改善できることを示唆している。
- 参考スコア（独自算出の注目度）: 2.3592914313389253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ireland's coastline, a critical and dynamic resource, is facing challenges such as erosion, sedimentation, and human activities. Monitoring these changes is a complex task we approach using a combination of satellite imagery and deep learning methods. However, limited research exists in this area, particularly for Ireland. This paper presents the Landsat Irish Coastal Segmentation (LICS) dataset, which aims to facilitate the development of deep learning methods for coastal water body segmentation while addressing modelling challenges specific to Irish meteorology and coastal types. The dataset is used to evaluate various automated approaches for segmentation, with U-NET achieving the highest accuracy of 95.0% among deep learning methods. Nevertheless, the Normalised Difference Water Index (NDWI) benchmark outperformed U-NET with an average accuracy of 97.2%. The study suggests that deep learning approaches can be further improved with more accurate training data and by considering alternative measurements of erosion. The LICS dataset and code are freely available to support reproducible research and further advancements in coastal monitoring efforts.
- Abstract（参考訳）: アイルランドの海岸線は重要で動的な資源であり、浸食、堆積、人的活動といった課題に直面している。
これらの変化をモニタリングすることは、衛星画像とディープラーニングを組み合わせることで、我々がアプローチする複雑なタスクである。
しかし、この地域、特にアイルランドでの研究は限られている。
本稿では,アイルランドの気象や沿岸タイプに特有のモデリング課題に対処しながら,沿岸水域セグメンテーションのための深層学習手法の開発を促進することを目的としたLandsat Irish Coastal Segmentation (LICS)データセットを提案する。
データセットはセグメンテーションのための様々な自動化アプローチを評価するために使用され、U-NETはディープラーニング手法の中で95.0%の精度を達成している。
それでも、正規化差水指数(NDWI)ベンチマークは平均精度97.2%でU-NETを上回った。
この研究は、より正確なトレーニングデータと代替の浸食測定を考慮し、ディープラーニングアプローチをさらに改善できることを示唆している。
licSデータセットとコードは、再現可能な研究と沿岸モニタリングのさらなる進歩をサポートするために自由に利用可能である。
関連論文リスト
- AIWR: Aerial Image Water Resource Dataset for Segmentation Analysis [0.0]
このデータセットには、タイ北東部の自然と人工の水域に焦点を当てた800の空中画像が含まれている。
リモートセンシングの専門家が検証した根拠となる真実のアノテーションが含まれている。
提案するデータセットの目的は,水体セグメンテーションのための高度なAI駆動手法を検討することである。
論文 参考訳（メタデータ） (2024-11-04T04:45:45Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳（メタデータ） (2023-07-28T16:03:28Z) - 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) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳（メタデータ） (2022-12-17T09:39:39Z) - Guided deep learning by subaperture decomposition: ocean patterns from
SAR imagery [36.922471841100176]
センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。
本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
論文 参考訳（メタデータ） (2022-04-09T09:49:05Z) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳（メタデータ） (2021-03-07T02:16:24Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。