論文の概要: An Object-Based Deep Learning Approach for Building Height Estimation from Single SAR Images

• arxiv url: http://arxiv.org/abs/2507.08096v1
• Date: Thu, 10 Jul 2025 18:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.141126
• Title: An Object-Based Deep Learning Approach for Building Height Estimation from Single SAR Images
• Title（参考訳）: 単眼SAR画像からの建物高さ推定のためのオブジェクトベース深層学習手法
• Authors: Babak Memar, Luigi Russo, Silvia Liberata Ullo, Paolo Gamba,
• Abstract要約: 本稿では,1枚のVHR COSMO-SkyMed画像から建物の高さを自動的に推定するDeep Learning (DL) 手法を提案する。 このモデルは、ヨーロッパ、北アメリカ、南アメリカ、アジアにまたがる8つの地理的に多様な都市からなる、ユニークなマルチ大陸データセットで訓練され、評価された。 結果は、特に、約1階建て(2.20mミュンヘン)の平均絶対誤差(MAE)を達成するヨーロッパの都市において、非常に有望なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 1.6070833439280312
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate estimation of building heights using very high resolution (VHR) synthetic aperture radar (SAR) imagery is crucial for various urban applications. This paper introduces a Deep Learning (DL)-based methodology for automated building height estimation from single VHR COSMO-SkyMed images: an object-based regression approach based on bounding box detection followed by height estimation. This model was trained and evaluated on a unique multi-continental dataset comprising eight geographically diverse cities across Europe, North and South America, and Asia, employing a cross-validation strategy to explicitly assess out-of-distribution (OOD) generalization. The results demonstrate highly promising performance, particularly on European cities where the model achieves a Mean Absolute Error (MAE) of approximately one building story (2.20 m in Munich), significantly outperforming recent state-of-the-art methods in similar OOD scenarios. Despite the increased variability observed when generalizing to cities in other continents, particularly in Asia with its distinct urban typologies and prevalence of high-rise structures, this study underscores the significant potential of DL for robust cross-city and cross-continental transfer learning in building height estimation from single VHR SAR data.
• Abstract（参考訳）: 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物の高さの正確な推定は、様々な都市への適用に不可欠である。 本稿では,単一のVHR COSMO-SkyMed画像から構築高さを自動的に推定するDeep Learning(DL)に基づく手法を提案する。 本モデルは,ヨーロッパ,北米,南アメリカ,アジアにまたがる8つの地理的に多様な都市からなる独自のマルチ大陸データセットを用いて,分布外一般化(OOD)を明確に評価するクロスバリデーション戦略を用いて,訓練および評価を行った。 この結果は、特に、ミュンヘンの約1階建て(2.20m)の平均絶対誤差(MAE)を達成するヨーロッパの都市において、非常に有望なパフォーマンスを示し、同様のOODシナリオにおける最近の最先端の手法よりも著しく優れています。 本研究は, 他大陸の都市, 特にアジアにおいて, 都市タイプと高層構造物の出現率の差が増大しているにもかかわらず, 単一VHR SARデータによる建物の高さ推定において, 頑健な都市間移動学習と大陸間移動学習において, DLの有意な可能性を示すものである。

関連論文リスト

• Enhancing Monocular Height Estimation via Sparse LiDAR-Guided Correction [18.671925059007478]
  合成データに基づいて学習した最先端のMHEモデルについて検討する。 このモデルは,過大評価や過小評価につながる要因である影の手がかりに大きく依存していることが判明した。 本稿では,不完全な大域的LiDAR測定と疎結合な補正パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-11T08:54:09Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Recognize Any Regions [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)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
  本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。 我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。 モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2023-07-03T22:16:17Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• A Novel CNN-LSTM-based Approach to Predict Urban Expansion [1.2233362977312943]
  時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。 本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。 都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-02T12:58:05Z)

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。