論文の概要: Leveraging Self-Supervised Features for Efficient Flooded Region Identification in UAV Aerial Images

• arxiv url: http://arxiv.org/abs/2507.04915v1
• Date: Mon, 07 Jul 2025 12:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.407198
• Title: Leveraging Self-Supervised Features for Efficient Flooded Region Identification in UAV Aerial Images
• Title（参考訳）: UAV空中画像における効率的な洪水領域同定のための自己監督的特徴の活用
• Authors: Dibyabha Deb, Ujjwal Verma,
• Abstract要約: この研究は、無人航空機の空中画像の浸水領域を正確に識別するために、自己監督機能を活用することに焦点を当てている。 非航空画像に基づいて訓練されたDINOv2モデルによる空中画像のセグメンテーションにおける特徴の有効性を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying regions affected by disasters is a vital step in effectively managing and planning relief and rescue efforts. Unlike the traditional approaches of manually assessing post-disaster damage, analyzing images of Unmanned Aerial Vehicles (UAVs) offers an objective and reliable way to assess the damage. In the past, segmentation techniques have been adopted to identify post-flood damage in UAV aerial images. However, most of these supervised learning approaches rely on manually annotated datasets. Indeed, annotating images is a time-consuming and error-prone task that requires domain expertise. This work focuses on leveraging self-supervised features to accurately identify flooded regions in UAV aerial images. This work proposes two encoder-decoder-based segmentation approaches, which integrate the visual features learned from DINOv2 with the traditional encoder backbone. This study investigates the generalization of self-supervised features for UAV aerial images. Specifically, we evaluate the effectiveness of features from the DINOv2 model, trained on non-aerial images, for segmenting aerial images, noting the distinct perspectives between the two image types. Our results demonstrate that DINOv2's self-supervised pretraining on natural images generates transferable, general-purpose visual features that streamline the development of aerial segmentation workflows. By leveraging these features as a foundation, we significantly reduce reliance on labor-intensive manual annotation processes, enabling high-accuracy segmentation with limited labeled aerial data.
• Abstract（参考訳）: 被災地の特定は、救援・救助活動の効果的管理・計画に欠かせないステップである。 災害後の損傷を手動で評価する従来の手法とは異なり、無人航空機(UAV)の画像を分析することは、損傷を評価する客観的で信頼性の高い方法である。 過去には、UAV空中画像におけるポストフロード損傷を識別するためにセグメンテーション技術が採用されている。 しかし、これらの教師付き学習アプローチのほとんどは、手動で注釈付けされたデータセットに依存している。 実際、画像の注釈付けはドメインの専門知識を必要とする時間がかかり、エラーが発生しやすいタスクである。 この研究は、無人航空機の空中画像の浸水領域を正確に識別するために、自己監督機能を活用することに焦点を当てている。 本研究では、DINOv2から学んだ視覚的特徴と従来のエンコーダのバックボーンを統合する2つのエンコーダデコーダベースのセグメンテーションアプローチを提案する。 本研究では,UAV空中画像の自己監督的特徴の一般化について検討した。 具体的には,非空中画像に基づいて訓練されたDINOv2モデルによる空中画像のセグメンテーションにおける特徴の有効性を評価し,両者の異なる視点について述べる。 以上の結果から,DINOv2の自然画像に対する自己教師付き事前学習が,空中セグメンテーションワークフローの開発を効率化する伝達可能で汎用的な視覚的特徴を生み出すことが示された。 これらの特徴を基礎として活用することにより、労働集約型手動アノテーションプロセスへの依存を著しく低減し、ラベル付き空中データによる高精度セグメンテーションを可能にする。

関連論文リスト

• More Clear, More Flexible, More Precise: A Comprehensive Oriented Object Detection benchmark for UAV [58.89234732689013]
  CODroneは、現実の状況を正確に反映した、UAVのための包括的なオブジェクト指向オブジェクト検出データセットである。 また、下流のタスク要求に合わせて設計された新しいベンチマークとしても機能する。 我々は、CODroneを厳格に評価するために、22の古典的またはSOTA法に基づく一連の実験を行う。
  論文  参考訳（メタデータ） (2025-04-28T17:56:02Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• 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)
• Semantic Segmentation of Unmanned Aerial Vehicle Remote Sensing Images using SegFormer [0.14999444543328289]
  本稿では,UAV画像のセマンティックセグメンテーションのためのセマンティックセグメンテーションフレームワークであるSegFormerの有効性と効率を評価する。 SegFormerの変種は、リアルタイム(B0)から高性能(B5)モデルまで、セマンティックセグメンテーションタスクに適したUAVidデータセットを使用して評価される。 実験結果は、モデルの性能をベンチマークデータセットで示し、多様なUAVシナリオにおけるオブジェクトとランドカバーの特徴を正確に記述する能力を強調した。
  論文  参考訳（メタデータ） (2024-10-01T21:40:15Z)
• Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
  航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。 低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。 我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
  論文  参考訳（メタデータ） (2024-05-22T16:07:05Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• An Informative Path Planning Framework for Active Learning in UAV-based Semantic Mapping [27.460481202195012]
  無人航空機(UAV)は、航空地図や一般的な監視作業に頻繁に使用される。 近年のディープラーニングの進歩により、画像の自動セマンティックセグメンテーションが実現され、大規模な複雑な環境の解釈が容易になった。 モデル再学習のための情報的訓練画像を自律的に取得するための,UAVのための新しい汎用的計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T09:41:21Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• 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)

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。