論文の概要: Comparison of Segmentation Methods in Remote Sensing for Land Use Land Cover

• arxiv url: http://arxiv.org/abs/2507.18099v1
• Date: Thu, 24 Jul 2025 05:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.009246
• Title: Comparison of Segmentation Methods in Remote Sensing for Land Use Land Cover
• Title（参考訳）: 土地利用土地被覆のためのリモートセンシングにおけるセグメンテーション手法の比較
• Authors: Naman Srivastava, Joel D Joy, Yash Dixit, Swarup E, Rakshit Ramesh,
• Abstract要約: 土地利用土地被覆(LULC)マッピングは都市・資源計画に不可欠である。 本研究では,Look-Up Table (LUT) をベースとした大気補正を,Cartosat Multispectral (MX) センサ画像に適用した高度なLULCマッピング手法について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land Use Land Cover (LULC) mapping is essential for urban and resource planning, and is one of the key elements in developing smart and sustainable cities.This study evaluates advanced LULC mapping techniques, focusing on Look-Up Table (LUT)-based Atmospheric Correction applied to Cartosat Multispectral (MX) sensor images, followed by supervised and semi-supervised learning models for LULC prediction. We explore DeeplabV3+ and Cross-Pseudo Supervision (CPS). The CPS model is further refined with dynamic weighting, enhancing pseudo-label reliability during training. This comprehensive approach analyses the accuracy and utility of LULC mapping techniques for various urban planning applications. A case study of Hyderabad, India, illustrates significant land use changes due to rapid urbanization. By analyzing Cartosat MX images over time, we highlight shifts such as urban sprawl, shrinking green spaces, and expanding industrial areas. This demonstrates the practical utility of these techniques for urban planners and policymakers.
• Abstract（参考訳）: 本研究は,Look-Up Table (LUT) を用いた大気補正をCartosat Multispectral (MX) センサ画像に適用し,LULC予測のための教師付き学習モデルと半教師付き学習モデルにより評価する。 DeeplabV3+ と Cross-Pseudo Supervision (CPS) を探索する。 CPSモデルは、動的重み付けによりさらに洗練され、トレーニング中に擬似ラベルの信頼性が向上する。 この総合的なアプローチは、様々な都市計画分野におけるLULCマッピング手法の精度と有用性について分析する。 インド・ハイデラバードのケーススタディは、急速な都市化による土地利用の変化を示している。 時間とともにCartosat MX画像を分析することで、都市スプロール、緑地の縮小、工業地域の拡大といったシフトを強調した。 これは、都市プランナーや政策立案者にとってこれらの手法の実用性を示すものである。

関連論文リスト

• Unsupervised Urban Land Use Mapping with Street View Contrastive Clustering and a Geographical Prior [16.334202302817783]
  本研究は、地理的事前に組み込まれたストリートビュー画像に対する教師なしコントラストクラスタリングモデルを提案する。 本研究では,2つの都市の地理タグ付きストリートビュー画像データセットから土地利用地図を作成できることを実験的に示す。
  論文  参考訳（メタデータ） (2025-04-24T13:41:27Z)
• Geospatial Data Fusion: Combining Lidar, SAR, and Optical Imagery with AI for Enhanced Urban Mapping [0.0]
  本研究では,高度都市マッピングのための高度な人工知能技術によるライダー,合成開口レーダ(SAR),光学画像の統合について検討する。 この研究は、都市の特徴抽出のための主要なディープラーニングモデルとして、FCN(Fully Convolutional Networks)を採用している。 主な発見は、FCN-PSOモデルが92.3%の画素精度、IoUの平均インターセクションは87.6%で、従来の単一センサーのアプローチを上回ったことを示している。
  論文  参考訳（メタデータ） (2024-12-25T22:17:31Z)
• Urban Flood Mapping Using Satellite Synthetic Aperture Radar Data: A Review of Characteristics, Approaches and Datasets [17.621744717937993]
  本研究は,SARを用いた都市洪水マッピングの課題と進展に焦点を当てたものである。 SARデータにおける空間分解能と時間分解能の限界に特に対処し、本質的な前処理ステップについて議論する。 これは、都市洪水マッピングのためのオープンアクセスSARデータセットの欠如を強調し、高度なディープラーニングベースの手法の開発を妨げる。
  論文  参考訳（メタデータ） (2024-11-06T09:30:13Z)
• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• 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)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• 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)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。