論文の概要: LMHLD: A Large-scale Multi-source High-resolution Landslide Dataset for Landslide Detection based on Deep Learning
- arxiv url: http://arxiv.org/abs/2502.19866v1
- Date: Thu, 27 Feb 2025 08:19:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-28 14:56:17.692840
- Title: LMHLD: A Large-scale Multi-source High-resolution Landslide Dataset for Landslide Detection based on Deep Learning
- Title（参考訳）: LMHLD:ディープラーニングに基づく地すべり検出のための大規模マルチソース高分解能地すべりデータセット
- Authors: Guanting Liu, Yi Wang, Xi Chen, Baoyu Du, Penglei Li, Yuan Wu, Zhice Fang,
- Abstract要約: 地すべりは世界でも最も多い自然災害の1つであり、人類社会に重大な脅威をもたらしている。
深層学習(DL)は,大規模災害地域における地すべりの迅速生成手法として有効であることが証明されている。
DLに基づく地すべり検出のための大規模多ソース高分解能地すべり (LMHLD) は世界中のリモートセンシング画像を収集している。
- 参考スコア（独自算出の注目度）: 9.567564444250344
- License:
- Abstract: Landslides are among the most common natural disasters globally, posing significant threats to human society. Deep learning (DL) has proven to be an effective method for rapidly generating landslide inventories in large-scale disaster areas. However, DL models rely heavily on high-quality labeled landslide data for strong feature extraction capabilities. And landslide detection using DL urgently needs a benchmark dataset to evaluate the generalization ability of the latest models. To solve the above problems, we construct a Large-scale Multi-source High-resolution Landslide Dataset (LMHLD) for Landslide Detection based on DL. LMHLD collects remote sensing images from five different satellite sensors across seven study areas worldwide: Wenchuan, China (2008); Rio de Janeiro, Brazil (2011); Gorkha, Nepal (2015); Jiuzhaigou, China (2015); Taiwan, China (2018); Hokkaido, Japan (2018); Emilia-Romagna, Italy (2023). The dataset includes a total of 25,365 patches, with different patch sizes to accommodate different landslide scales. Additionally, a training module, LMHLDpart, is designed to accommodate landslide detection tasks at varying scales and to alleviate the issue of catastrophic forgetting in multi-task learning. Furthermore, the models trained by LMHLD is applied in other datasets to highlight the robustness of LMHLD. Five dataset quality evaluation experiments designed by using seven DL models from the U-Net family demonstrate that LMHLD has the potential to become a benchmark dataset for landslide detection. LMHLD is open access and can be accessed through the link: https://doi.org/10.5281/zenodo.11424988. This dataset provides a strong foundation for DL models, accelerates the development of DL in landslide detection, and serves as a valuable resource for landslide prevention and mitigation efforts.
- Abstract（参考訳）: 地すべりは世界でも最も多い自然災害の1つであり、人類社会に重大な脅威をもたらしている。
深層学習(DL)は,大規模災害地域における地すべりの迅速生成手法として有効であることが証明されている。
しかし、DLモデルは強力な特徴抽出機能のために高品質なラベル付き地すべりデータに大きく依存している。
そして、DLを用いた地すべり検出には、最新のモデルの一般化能力を評価するためのベンチマークデータセットが必要である。
以上の問題を解決するために,DLに基づく大規模マルチソース高分解能地すべり検出用高分解能地すべりデータセット(LMHLD)を構築した。
LMHLDは、中国(2008年)、ブラジル(2011年)、ネパール(2015年)、ネパール(2015年)、中国(2015年)、台湾(2018年)、日本(2018年)、エミリア=ロマニャ(2023年)の7つの研究エリアの5つの衛星センサーからリモートセンシング画像を収集している。
データセットには合計25,365のパッチが含まれており、異なる地すべりスケールに対応するパッチのサイズが異なる。
さらに、訓練モジュールLMHLDpartは、さまざまなスケールで地すべり検出タスクを許容し、マルチタスク学習における破滅的な忘れの問題を緩和するように設計されている。
さらに、LMHLDでトレーニングされたモデルは、LMHLDの堅牢性を強調するために他のデータセットに適用される。
U-Netファミリーの7つのDLモデルを用いて設計された5つのデータセット品質評価実験は、LMHLDが地すべり検出のベンチマークデータセットになる可能性を実証している。
LMHLDはオープンアクセス可能で、https://doi.org/10.5281/zenodo.11424988.comからアクセスできる。
このデータセットは、DLモデルのための強力な基盤を提供し、地すべり検出におけるDLの開発を加速させ、地すべり防止と緩和のための貴重な資源となる。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳（メタデータ） (2024-10-30T10:33:10Z) - LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free
Environment [59.320414108383055]
シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。
多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:08:44Z) - Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Dynamic landslide susceptibility mapping over recent three decades to
uncover variations in landslide causes in subtropical urban mountainous areas [17.570791791237387]
本研究は, 年次LSAに複数の予測モデルを用いた動的地すべり感受性マッピングを提案する。
選ばれた研究エリアは香港のランタウ島で、1992年から2019年までの総合的動的LSAを実施しました。
論文 参考訳（メタデータ） (2023-08-23T05:33:03Z) - A Multi-Source Data Fusion-based Semantic Segmentation Model for Relic Landslide Detection [7.095295046737303]
提案したHPCL-NetはLoess Plateau Relic地すべりデータセットを用いて評価した。
提案したHPCL-Netは,mIoUが0.620から0.651に増加し,Landslide IoUが0.334から0.394に改善され,F1scoreが0.501から0.565に向上した既存のモデルよりも大幅に優れている。
論文 参考訳（メタデータ） (2023-08-02T16:11:51Z) - SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。
深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。
本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
論文 参考訳（メタデータ） (2023-06-15T18:11:20Z) - SAR-based landslide classification pretraining leads to better
segmentation [0.8208704543835964]
自然災害後の迅速な評価は、緊急資源の優先順位付けの鍵となる。
ディープラーニングアルゴリズムはSARデータに適用可能だが、トレーニングには大きなラベル付きデータセットが必要である。
本稿では,SAR製品における地すべりセグメンテーションの深層学習アルゴリズムが事前学習の恩恵を受けるかを検討する。
論文 参考訳（メタデータ） (2022-11-17T22:57:18Z) - Landslide4Sense: Reference Benchmark Data and Deep Learning Models for
Landslide Detection [4.44483539967295]
本研究では,リモートセンシングによる地すべり検出のための基準ベンチマークであるtextitLandslide4Senseを紹介する。
このレポジトリは、Sentinel-2センサーからの光学層と、ALOS PALSARから派生した傾斜層とを融合した3,799枚の画像パッチを備える。
広範なデータセットは、地すべり検出における深層学習(DL)研究を支援し、地すべり在庫の体系的更新のための方法の開発と検証を行う。
論文 参考訳（メタデータ） (2022-06-01T14:18:23Z) - 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) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳（メタデータ） (2020-08-30T04:28:31Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。