論文の概要: Graph Attention Convolutional U-NET: A Semantic Segmentation Model for Identifying Flooded Areas

• arxiv url: http://arxiv.org/abs/2502.15907v1
• Date: Fri, 21 Feb 2025 19:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:49.362050
• Title: Graph Attention Convolutional U-NET: A Semantic Segmentation Model for Identifying Flooded Areas
• Title（参考訳）: グラフ注意畳み込みU-NET:洪水領域のセマンティックセグメンテーションモデル
• Authors: Muhammad Umair Danish, Madhushan Buwaneswaran, Tehara Fonseka, Katarina Grolinger,
• Abstract要約: 本稿では,浸水領域の自動識別のための革新的なアプローチとして,グラフ注意畳み込み型U-NET(GAC-UNET)モデルを提案する。 このモデルはグラフアテンション機構とChebyshevレイヤをU-Netアーキテクチャに組み込んでいる。 実験の結果,提案したGAC-UNETモデルは,91% mAP,94% dice score,89% IoUの他のアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License:
• Abstract: The increasing impact of human-induced climate change and unplanned urban constructions has increased flooding incidents in recent years. Accurate identification of flooded areas is crucial for effective disaster management and urban planning. While few works have utilized convolutional neural networks and transformer-based semantic segmentation techniques for identifying flooded areas from aerial footage, recent developments in graph neural networks have created improvement opportunities. This paper proposes an innovative approach, the Graph Attention Convolutional U-NET (GAC-UNET) model, based on graph neural networks for automated identification of flooded areas. The model incorporates a graph attention mechanism and Chebyshev layers into the U-Net architecture. Furthermore, this paper explores the applicability of transfer learning and model reprogramming to enhance the accuracy of flood area segmentation models. Empirical results demonstrate that the proposed GAC-UNET model, outperforms other approaches with 91\% mAP, 94\% dice score, and 89\% IoU, providing valuable insights for informed decision-making and better planning of future infrastructures in flood-prone areas.
• Abstract（参考訳）: 人為的な気候変動や未計画の都市建設の影響が増加し、近年は洪水事件が増加している。 浸水地域の正確な特定は、効果的な災害管理と都市計画に不可欠である。 畳み込みニューラルネットワークとトランスフォーマーに基づくセマンティックセグメンテーション技術を利用して空中映像から浸水領域を識別する研究はほとんどないが、近年のグラフニューラルネットワークの発展は改善の機会を生み出している。 本稿では,浸水領域の自動識別のためのグラフニューラルネットワークに基づく,革新的なアプローチであるグラフ注意畳み込みU-NET(GAC-UNET)モデルを提案する。 このモデルはグラフアテンション機構とChebyshevレイヤをU-Netアーキテクチャに組み込んでいる。 さらに, フラッドエリア分割モデルの精度を高めるため, 転送学習とモデル再プログラミングの適用性について検討した。 実証実験の結果,提案したGAC-UNETモデルは,91 % mAP,94 % dice score,89 % IoU の他の手法よりも優れており,洪水発生地における意思決定のインフォームドと今後のインフラ計画に有用な洞察を提供する。

関連論文リスト

• Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction [2.3964255330849356]
  非定常流場予測のためのグラフU-Netの可能性を探る。 グラフU-Netを用いたメッシュ非依存時間ロバスト性予測の一貫した流れ場を改善するための新しい手法を提案する。 Graph U-Netアーキテクチャの主要な拡張は、ノードの動的モデリングにおける柔軟性の向上を提供する。
  論文  参考訳（メタデータ） (2024-06-06T07:01:36Z)
• FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning [1.4216957119562985]
  本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。 実験の結果、最先端と比較して9.8%の性能改善が見られた。
  論文  参考訳（メタデータ） (2024-05-14T07:53:23Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• A Complex Network based Graph Embedding Method for Link Prediction [0.0]
  本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。 実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-11T14:46:38Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• BLDNet: A Semi-supervised Change Detection Building Damage Framework using Graph Convolutional Networks and Urban Domain Knowledge [1.9087335681007478]
  建物損傷検出のための新しいグラフ定式化であるBLDNetを提案する。 グラフ畳み込みネットワークを用いて,これらの特徴を半教師付きフレームワークで効率的に学習する。 このアプローチの有効性を検証するために、xBDデータセットのトレーニングとベンチマークを行います。
  論文  参考訳（メタデータ） (2022-01-25T15:19:30Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
  都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
  論文  参考訳（メタデータ） (2021-04-21T17:13:29Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。