Fugu-MT 論文翻訳(概要): RMAU-NET: A Residual-Multihead-Attention U-Net Architecture for Landslide Segmentation and Detection from Remote Sensing Images

論文の概要: RMAU-NET: A Residual-Multihead-Attention U-Net Architecture for Landslide Segmentation and Detection from Remote Sensing Images

arxiv url: http://arxiv.org/abs/2507.11143v1
Date: Tue, 15 Jul 2025 09:48:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-16 19:46:03.062891
Title: RMAU-NET: A Residual-Multihead-Attention U-Net Architecture for Landslide Segmentation and Detection from Remote Sensing Images
Title（参考訳）: RMAU-NET:地すべりのセグメンテーションとリモートセンシング画像からの検出のための残留多面的U-Netアーキテクチャ
Authors: Lam Pham, Cam Le, Hieu Tang, Khang Truong, Truong Nguyen, Jasmin Lampert, Alexander Schindler, Martin Boyer, Son Phan,
Abstract要約: 地すべりを自動観測するリモートセンシング画像を探索するエンド・ツー・エンドのディープラーニングモデルを提案する。リモートセンシング画像を入力データとして考慮することにより、自由資源を得ることができ、時間とともに大地や荒地を観察することができる。本研究では,LandSlide4Sense,Bijie,ネパールの3つのベンチマークデータセットを用いて,提案モデルの評価を行った。
参考スコア（独自算出の注目度）: 35.689173880687406
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: In recent years, landslide disasters have reported frequently due to the extreme weather events of droughts, floods , storms, or the consequence of human activities such as deforestation, excessive exploitation of natural resources. However, automatically observing landslide is challenging due to the extremely large observing area and the rugged topography such as mountain or highland. This motivates us to propose an end-to-end deep-learning-based model which explores the remote sensing images for automatically observing landslide events. By considering remote sensing images as the input data, we can obtain free resource, observe large and rough terrains by time. To explore the remote sensing images, we proposed a novel neural network architecture which is for two tasks of landslide detection and landslide segmentation. We evaluated our proposed model on three different benchmark datasets of LandSlide4Sense, Bijie, and Nepal. By conducting extensive experiments, we achieve F1 scores of 98.23, 93.83 for the landslide detection task on LandSlide4Sense, Bijie datasets; mIoU scores of 63.74, 76.88 on the segmentation tasks regarding LandSlide4Sense, Nepal datasets. These experimental results prove potential to integrate our proposed model into real-life landslide observation systems.
Abstract（参考訳）: 近年の地すべり災害は、干ばつ、洪水、嵐、森林伐採などの人的活動の結果、天然資源の過剰な利用により頻繁に報告されている。しかし, 地すべりの自動観測は, 非常に大きな観測地域と, 山岳や高地などの険しい地形のため, 困難である。これにより,地すべりを自動観測するリモートセンシング画像を探索するエンド・ツー・エンドのディープラーニングモデルを提案する。リモートセンシング画像を入力データとして考慮することにより、自由資源を得ることができ、時間とともに大地や荒地を観察することができる。リモートセンシング画像の探索を目的として,地すべり検出と地すべりセグメンテーションの2つのタスクを対象としたニューラルネットワークアーキテクチャを提案する。提案手法を,LandSlide4Sense,Bijie,ネパールの3つのベンチマークデータセットを用いて評価した。広範にわたる実験により, ネパールのランドスライダー4センスにおける地すべり検出タスクのF1スコア98.23, 93.83, mIoUスコア63.74, 76.88, ネパールのデータセットのセグメンテーションタスクのmIoUスコア63.74, 76.88を達成した。これらの実験結果から,提案手法を実地すべり観測システムに統合する可能性が示唆された。

関連論文リスト

Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions [0.0]
地すべりはインフラ、経済、生活に深刻な脅威をもたらす。深層学習とリモートセンシングの進歩により、自動地すべり検出がますます効果的になっている。本研究では,多ソース衛星画像と深層学習モデルを統合し,地すべりの識別と予測を強化する包括的アプローチを提案する。
論文参考訳（メタデータ） (2025-07-01T18:34:42Z)
Landslide mapping from Sentinel-2 imagery through change detection [0.12289361708127873]
地すべりは、最も重要で破壊的なジオハザードの1つである。本稿では,Sentinel-2画像を用いた地すべりのマッピング手法について検討する。本稿では,DEM(Digital Elevation Model)データとSentinel-2バイテンポラル画像ペアを融合する新たなディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-05-30T15:33:32Z)
OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
論文参考訳（メタデータ） (2023-12-14T18:58:52Z)
On the Generation of a Synthetic Event-Based Vision Dataset for Navigation and Landing [69.34740063574921]
本稿では,最適な着陸軌道からイベントベースの視覚データセットを生成する手法を提案する。我々は,惑星と小惑星の自然シーン生成ユーティリティを用いて,月面のフォトリアリスティックな画像のシーケンスを構築した。パイプラインは500トラジェクトリのデータセットを構築することで,表面特徴の現実的なイベントベース表現を生成することができることを示す。
論文参考訳（メタデータ） (2023-08-01T09:14:20Z)
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)
MonoTDP: Twin Depth Perception for Monocular 3D Object Detection in Adverse Scenes [49.21187418886508]
本論文は,モノTDP(MonoTDP)と呼ばれる悪シーンにおける2つの深度を知覚するモノクル3次元検出モデルを提案する。まず、制御不能な気象条件を扱うモデルを支援するための適応学習戦略を導入し、様々な劣化要因による劣化を著しく抑制する。そこで本研究では, シーン深度と物体深度を同時に推定する新たな2つの深度認識モジュールを提案する。
論文参考訳（メタデータ） (2023-05-18T13:42:02Z)
Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes [0.8208704543835964]
我々は,地球規模で4つの地すべりイベントに対して,事前処理,機械学習可能なSARデータキューブを提供する。教師付き深層学習(DL)によるSAR地すべり検出の可能性について検討する。 DLモデルは、SARデータから地すべりを検知し、精度-リコール曲線0.7を超えるエリアを達成できる。
論文参考訳（メタデータ） (2022-11-05T10:31:57Z)
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)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Taxonomizing local versus global structure in neural network loss landscapes [60.206524503782006]
ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
論文参考訳（メタデータ） (2021-07-23T13:37:14Z)
Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文参考訳（メタデータ） (2021-04-10T15:00:15Z)

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。

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。