論文の概要: RADARSAT Constellation Mission Compact Polarisation SAR Data for Burned Area Mapping with Deep Learning

• arxiv url: http://arxiv.org/abs/2412.11561v1
• Date: Mon, 16 Dec 2024 08:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:57:01.261112
• Title: RADARSAT Constellation Mission Compact Polarisation SAR Data for Burned Area Mapping with Deep Learning
• Title（参考訳）: RADARSAT Constellation Mission Compact Polarisation SAR Data for Burned Area Mapping with Deep Learning
• Authors: Yu Zhao, Yifang Ban,
• Abstract要約: 近年の山火事の急激な増加により、山火事のモニタリングがますます重要になっている。 センチネル2やランドサットのような光学衛星は、焼かれた領域のマッピングに広く利用されている。 光センサーの有効性は雲や煙によって損なわれ、燃えた領域の検出を妨げている。
• 参考スコア（独自算出の注目度）: 2.548240833099411
• License:
• Abstract: Monitoring wildfires has become increasingly critical due to the sharp rise in wildfire incidents in recent years. Optical satellites like Sentinel-2 and Landsat are extensively utilized for mapping burned areas. However, the effectiveness of optical sensors is compromised by clouds and smoke, which obstruct the detection of burned areas. Thus, satellites equipped with Synthetic Aperture Radar (SAR), such as dual-polarization Sentinel-1 and quad-polarization RADARSAT-1/-2 C-band SAR, which can penetrate clouds and smoke, are investigated for mapping burned areas. However, there is limited research on using compact polarisation (compact-pol) C-band RADARSAT Constellation Mission (RCM) SAR data for this purpose. This study aims to investigate the capacity of compact polarisation RCM data for burned area mapping through deep learning. Compact-pol m-chi decomposition and Compact-pol Radar Vegetation Index (CpRVI) are derived from the RCM Multi-look Complex product. A deep-learning-based processing pipeline incorporating ConvNet-based and Transformer-based models is applied for burned area mapping, with three different input settings: using only log-ratio dual-polarization intensity images images, using only compact-pol decomposition plus CpRVI, and using all three data sources. The results demonstrate that compact-pol m-chi decomposition and CpRVI images significantly complement log-ratio images for burned area mapping. The best-performing Transformer-based model, UNETR, trained with log-ratio, m-chi decomposition, and CpRVI data, achieved an F1 Score of 0.718 and an IoU Score of 0.565, showing a notable improvement compared to the same model trained using only log-ratio images.
• Abstract（参考訳）: 近年の山火事の急激な増加により、山火事のモニタリングがますます重要になっている。 センチネル2やランドサットのような光学衛星は、燃えた領域のマッピングに広く利用されている。 しかし、光学センサの有効性は雲や煙によって損なわれ、燃えた領域の検出を妨げている。 そこで, シンセティック・アパーチャ・レーダ (SAR) を搭載した衛星について, 雲や煙を透過する2重分極Sentinel-1と4重分極RADARSAT-1/-2 CバンドSARについて検討した。 しかし、この目的のためにコンパクト偏光(コンパクトポール)CバンドRADARSATコンステレーションミッション(RCM)SARデータを使用する研究は限られている。 本研究は, 深層学習による焼成領域マッピングのためのコンパクト偏光RCMデータの容量について検討することを目的とする。 コンパクトポールm-chi分解とコンパクトポールレーダ植生指数(CpRVI)は、RCMマルチルック複合製品に由来する。 ConvNetベースのモデルとTransformerベースのモデルを組み込んだディープラーニングベースの処理パイプラインを,3つの異なる入力設定でバーンエリアマッピングに適用する。 その結果, 燃焼領域のマッピングにおいて, コンパクトポールm-chi分解とCpRVI画像は対数比の画像を著しく補完することがわかった。 最も優れたTransformerベースのモデルであるUNETRは、ログ比、m-chi分解、CpRVIデータでトレーニングされ、F1スコアが0.718、IoUスコアが0.565となり、対数比画像のみを用いてトレーニングしたモデルと比較して顕著な改善が見られた。

関連論文リスト

• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• FLAME 3 Dataset: Unleashing the Power of Radiometric Thermal UAV Imagery for Wildfire Management [3.3686755167352223]
  FLAME 3は、森林火災の視覚スペクトルと放射熱画像の総合的な収集としては初めてである。 このデータセットは、放射熱画像を利用した新しい世代の機械学習モデルを促進することを目的としている。
  論文  参考訳（メタデータ） (2024-12-03T20:53:42Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection [78.59426158981108]
  この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。 我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-06-02T10:57:41Z)
• Recognition of polar lows in Sentinel-1 SAR images with deep learning [5.571369922847262]
  本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。 データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。 このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
  論文  参考訳（メタデータ） (2022-03-30T15:32:39Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Fully Polarimetric SAR and Single-Polarization SAR Image Fusion Network [8.227845719405051]
  完全偏光合成開口レーダ(PolSAR)と単偏光合成開口レーダSAR(SinSAR)画像融合ネットワークを提案する。 偏光分解と偏光シグネチャの実験は、偏光情報がよく維持されていることを示している。
  論文  参考訳（メタデータ） (2021-07-18T03:51:04Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)
• Improving Co-registration for Sentinel-1 SAR and Sentinel-2 Optical images [3.1647288800286657]
  センチネル-1 SARとセンチネル2の光学画像の間には明らかに誤登録のシフトがある。 本稿では,2種類の画像の高速かつ効率的な登録方法を提案する。
  論文  参考訳（メタデータ） (2020-05-22T10:35:11Z)
• Fast and Robust Registration of Aerial Images and LiDAR data Based on Structrual Features and 3D Phase Correlation [6.3812295314207335]
  本稿では,構造的特徴と3次元位相相関に基づく自動登録手法を提案する。 空中画像とLiDARデータの2つのデータセットを用いて実験したところ、提案手法は最先端の手法よりもはるかに高速で堅牢であることがわかった。
  論文  参考訳（メタデータ） (2020-04-21T08:19:56Z)

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。