Fugu-MT 論文翻訳(概要): Detección y Cuantificación de Erosión Fluvial con Visión Artificial

論文の概要: Detección y Cuantificación de Erosión Fluvial con Visión Artificial

arxiv url: http://arxiv.org/abs/2507.11301v1
Date: Tue, 15 Jul 2025 13:30:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-16 19:46:03.124835
Title: Detección y Cuantificación de Erosión Fluvial con Visión Artificial
Title（参考訳）: Detección y Cuantificación de Erosión Fluvial con Visión Artificial
Authors: Paúl Maji, Marlon Túquerres, Stalin Valencia, Marcela Valenzuela, Christian Mejia-Escobar,
Abstract要約: 本研究では,浸食帯の自動識別と地域推定のための人工知能によるアプローチを提案する。微調整で調整し、写真やLiDAR画像で訓練した最先端のコンピュータビジョンモデルYOLOv11が使用される。最終製品としてEROSCANシステムが開発され、ユーザは画像をアップロードし、フラビアル侵食の自動セグメンテーションを取得できる対話型ウェブアプリケーションとなった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Fluvial erosion is a natural process that can generate significant impacts on soil stability and strategic infrastructures. The detection and monitoring of this phenomenon is traditionally addressed by photogrammetric methods and analysis in geographic information systems. These tasks require specific knowledge and intensive manual processing. This study proposes an artificial intelligence-based approach for automatic identification of eroded zones and estimation of their area. The state-of-the-art computer vision model YOLOv11, adjusted by fine-tuning and trained with photographs and LiDAR images, is used. This combined dataset was segmented and labeled using the Roboflow platform. Experimental results indicate efficient detection of erosion patterns with an accuracy of 70%, precise identification of eroded areas and reliable calculation of their extent in pixels and square meters. As a final product, the EROSCAN system has been developed, an interactive web application that allows users to upload images and obtain automatic segmentations of fluvial erosion, together with the estimated area. This tool optimizes the detection and quantification of the phenomenon, facilitating decision making in risk management and territorial planning.
Abstract（参考訳）: フラビアル浸食は自然のプロセスであり、土壌の安定性と戦略的インフラに大きな影響を与える。この現象の検出とモニタリングは、伝統的に地理情報システムにおけるフォトグラム法と分析によって解決される。これらのタスクは、特定の知識と集中的な手作業の処理を必要とする。本研究では,浸食帯の自動識別と地域推定のための人工知能によるアプローチを提案する。微調整で調整し、写真やLiDAR画像で訓練した最先端のコンピュータビジョンモデルYOLOv11が使用される。この組み合わせデータセットは、Roboflowプラットフォームを使用してセグメント化され、ラベル付けされた。実験結果から, 精度70%の浸食パターンの効率的な検出, 浸食領域の正確な同定, 画素数および平方メートルの精度の高い算出が可能であった。最終製品としてEROSCANシステムが開発され,ユーザが画像をアップロードし,フラビアル浸食の自動セグメンテーションを推定領域とともに取得できる対話型Webアプリケーションとなった。このツールは、この現象の検出と定量化を最適化し、リスク管理と領域計画における意思決定を容易にする。

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)
Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文参考訳（メタデータ） (2025-05-21T03:57:10Z)
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)
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)
Image and AIS Data Fusion Technique for Maritime Computer Vision Applications [1.482087972733629]
本研究では,AIS(Automatic Identification System)データと画像に検出された容器を融合させてデータセットを作成する手法を開発した。提案手法は, 距離と方位を推定することにより, 検出した船舶を対応するAISメッセージに関連付ける。この技術は、水路交通管理、遭遇検知、監視のためのデータセットを作成するのに有用である。
論文参考訳（メタデータ） (2023-12-07T20:54:49Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
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)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
Neuroevolution deep learning architecture search for estimation of river surface elevation from photogrammetric Digital Surface Models [0.0]
機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
論文参考訳（メタデータ） (2021-12-22T11:25:23Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文参考訳（メタデータ） (2021-05-18T10:15:17Z)
Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
論文参考訳（メタデータ） (2020-06-09T10:59:15Z)

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。