Fugu-MT 論文翻訳(概要): Remote Sensing Imagery for Flood Detection: Exploration of Augmentation Strategies

論文の概要: Remote Sensing Imagery for Flood Detection: Exploration of Augmentation Strategies

arxiv url: http://arxiv.org/abs/2504.20203v1
Date: Mon, 28 Apr 2025 19:08:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.648839
Title: Remote Sensing Imagery for Flood Detection: Exploration of Augmentation Strategies
Title（参考訳）: 洪水検知のためのリモートセンシング画像:拡張戦略の探索
Authors: Vladyslav Polushko, Damjan Hatic, Ronald Rösch, Thomas März, Markus Rauhut, Andreas Weinmann,
Abstract要約: 洪水は世界中で深刻な問題を引き起こします。正確な洪水検出にリモートセンシング画像の有効利用には,特定の検出方法が必要である。ディープニューラルネットワークが採用され、特定のデータセットに基づいてトレーニングされる。
参考スコア（独自算出の注目度）: 1.4183971140167244
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Floods cause serious problems around the world. Responding quickly and effectively requires accurate and timely information about the affected areas. The effective use of Remote Sensing images for accurate flood detection requires specific detection methods. Typically, Deep Neural Networks are employed, which are trained on specific datasets. For the purpose of river flood detection in RGB imagery, we use the BlessemFlood21 dataset. We here explore the use of different augmentation strategies, ranging from basic approaches to more complex techniques, including optical distortion. By identifying effective strategies, we aim to refine the training process of state-of-the-art Deep Learning segmentation networks.
Abstract（参考訳）: 洪水は世界中で深刻な問題を引き起こします。迅速かつ効果的に応答するには、影響を受ける領域に関する正確かつタイムリーな情報が必要である。正確な洪水検出にリモートセンシング画像の有効利用には,特定の検出方法が必要である。通常、Deep Neural Networksは特定のデータセットに基づいてトレーニングされる。 RGB画像における河川洪水検出のために,BlessemFlood21データセットを用いる。ここでは、基本的なアプローチから、光学歪みを含むより複雑な手法まで、様々な拡張戦略の使用について検討する。有効な戦略を特定することにより,最先端のDeep Learningセグメンテーションネットワークのトレーニングプロセスを洗練することを目指す。

関連論文リスト

AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
論文参考訳（メタデータ） (2025-01-14T17:26:02Z)
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)
BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support [34.91321323785173]
我々はBlessemFlood21データセットを導入し、効率的な洪水検知ツールの研究を刺激する。この画像は、2021年のエルフトシュタット=ブレセム洪水で取得され、高解像度でジオレファレンスなRGB-NIR画像で構成された。得られたRGBデータセットでは、画像に詳細な水面を補足し、半教師付きヒト・イン・ザ・ループ技術を用いて取得する。
論文参考訳（メタデータ） (2024-07-06T08:58:43Z)
Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文参考訳（メタデータ） (2024-04-05T17:55:33Z)
SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection [2.07180164747172]
本研究は,無人航空機(UAV)/ドローンによる地球規模の山火事検出における処理時間と検出能力の向上という課題に対処するものである。我々は,リアルタイムの山火事検出における処理速度と精度を大幅に向上させるため,特徴マップの削減に重点を置いている。
論文参考訳（メタデータ） (2024-02-29T15:23:12Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
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)
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)
Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文参考訳（メタデータ） (2022-09-12T15:05:41Z)
Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2022-02-14T07:01:01Z)
Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
変換器を用いた赤外線小径目標検出手法を提案する。画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
論文参考訳（メタデータ） (2021-09-29T12:23:41Z)
Geographical Knowledge-driven Representation Learning for Remote Sensing Images [18.79154074365997]
リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
論文参考訳（メタデータ） (2021-07-12T09:23:15Z)

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。