論文の概要: A Quantum-assisted Attention U-Net for Building Segmentation over Tunis using Sentinel-1 Data

• arxiv url: http://arxiv.org/abs/2507.13852v1
• Date: Fri, 18 Jul 2025 12:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.276472
• Title: A Quantum-assisted Attention U-Net for Building Segmentation over Tunis using Sentinel-1 Data
• Title（参考訳）: Sentinel-1データを用いたチュニス上のセグメンテーション構築のための量子支援型注意U-Net
• Authors: Luigi Russo, Francesco Mauro, Babak Memar, Alessandro Sebastianelli, Silvia Liberata Ullo, Paolo Gamba,
• Abstract要約: 都市計画、災害対応、人口マッピングなどの分野では、都市部の建物区画化が不可欠である。 より正確に都市部の建物を分割することは、衛星画像の大型化と高解像度化による課題を提起する。 本研究では,建物セグメンテーションにおける意図的U-Netモデルの能力を高めるために,準進化前処理を用いることを検討した。
• 参考スコア（独自算出の注目度）: 39.039210749657194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Building segmentation in urban areas is essential in fields such as urban planning, disaster response, and population mapping. Yet accurately segmenting buildings in dense urban regions presents challenges due to the large size and high resolution of satellite images. This study investigates the use of a Quanvolutional pre-processing to enhance the capability of the Attention U-Net model in the building segmentation. Specifically, this paper focuses on the urban landscape of Tunis, utilizing Sentinel-1 Synthetic Aperture Radar (SAR) imagery. In this work, Quanvolution was used to extract more informative feature maps that capture essential structural details in radar imagery, proving beneficial for accurate building segmentation. Preliminary results indicate that proposed methodology achieves comparable test accuracy to the standard Attention U-Net model while significantly reducing network parameters. This result aligns with findings from previous works, confirming that Quanvolution not only maintains model accuracy but also increases computational efficiency. These promising outcomes highlight the potential of quantum-assisted Deep Learning frameworks for large-scale building segmentation in urban environments.
• Abstract（参考訳）: 都市計画、災害対応、人口マッピングなどの分野では、都市部の建物区画化が不可欠である。 より正確に都市部の建物を分割することは、衛星画像の大型化と高解像度化による課題を提起する。 本研究では,建物セグメンテーションにおける意図的U-Netモデルの能力を高めるために,準進化前処理を用いることを検討した。 具体的には、Sentinel-1 Synthetic Aperture Radar(SAR)画像を用いたチュニスの都市景観に焦点を当てた。 この研究において、クァンボリューションは、レーダー画像における重要な構造的詳細を捉え、正確な建物分割に有用であることを示す、より情報的な特徴マップを抽出するために使用された。 予備的な結果は,提案手法が標準注意U-Netモデルに匹敵する精度を達成し,ネットワークパラメータを著しく低減していることを示している。 この結果は以前の研究の結果と一致し、Quanvolutionがモデル精度を維持するだけでなく、計算効率も向上することを確認した。 これらの有望な成果は、都市環境における大規模ビルディングセグメンテーションのための量子支援ディープラーニングフレームワークの可能性を強調している。

関連論文リスト

• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• Point Cloud Segmentation Using Transfer Learning with RandLA-Net: A Case Study on Urban Areas [0.5242869847419834]
  本稿では,都市部における大規模クラウドデータの3次元セグメンテーションのための最先端のニューラルネットワークアーキテクチャであるRandLA-Netの応用について述べる。 この研究は中国三大都市、Chengdu、Jiaoda、Shnzhenに焦点を当て、セグメンテーション性能を高めるためにその特徴を活用している。
  論文  参考訳（メタデータ） (2023-12-19T06:13:58Z)
• 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)
• TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction [11.845097068829551]
  深層セマンティックセグメンテーションのための新しいチューニングフォークネットワーク(TFNet)の設計を提案する。 TFNetの設計は、トレーニングプロセス中にタイル境界に周辺情報を組み込む新しい手法と組み合わせられている。 パフォーマンス比較では、SpaceNet2とWHUのデータセットと、密接な接続された建物をキャプチャするパキスタンのラホールのエリアからのデータセットを使用します。
  論文  参考訳（メタデータ） (2023-11-05T10:52:16Z)
• 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)
• Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images [0.0]
  ビルディング抽出は高解像度リモートセンシング画像のセマンティックセグメンテーションに大きく依存している。 本研究では,ネットワークバックボーンをベースとした様々なU-Net++を提案する。 実験結果によると,提案モデルは従来の最先端アプローチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-05T18:14:14Z)
• Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network [18.365220543556113]
  ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。 本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。 その結果、提案したUANetは、他の最先端アルゴリズムよりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-23T12:42:15Z)
• CG-Net: Conditional GIS-aware Network for Individual Building Segmentation in VHR SAR Images [25.87229252642239]
  本稿では,大規模都市部における単一VHR SAR画像からの建物分割の問題点について述べる。 我々はGISデータから構築するフットプリントを補完情報として紹介し、新しい条件付きGIS対応ネットワーク(CG-Net)を提案する。 提案モデルでは,多段階の視覚的特徴を学習し,SAR画像におけるマスクの予測のための特徴を正規化するために,建築フットプリントを用いる。
  論文  参考訳（メタデータ） (2020-11-17T01:52:22Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。