論文の概要: A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2507.23193v1
- Date: Thu, 31 Jul 2025 02:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.930946
- Title: A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery
- Title(参考訳): 衛星画像の季節変化を考慮した洪水検出用新しいデータセット
- Authors: Youngsun Jang, Dongyoun Kim, Chulwoo Pack, Kwanghee Won,
- Abstract要約: 本研究では,衛星画像中の浸水領域のセグメンテーションのための新しいデータセットを提案する。
われわれは2019年の米国中西部の洪水の衛星画像をPlanet Labsから収集した。
データセットは1カ所10枚の衛星画像で構成され、それぞれが浸水した領域と非浮遊した領域を含んでいる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study introduces a novel dataset for segmenting flooded areas in satellite images. After reviewing 77 existing benchmarks utilizing satellite imagery, we identified a shortage of suitable datasets for this specific task. To fill this gap, we collected satellite imagery of the 2019 Midwestern USA floods from Planet Explorer by Planet Labs (Image \c{opyright} 2024 Planet Labs PBC). The dataset consists of 10 satellite images per location, each containing both flooded and non-flooded areas. We selected ten locations from each of the five states: Iowa, Kansas, Montana, Nebraska, and South Dakota. The dataset ensures uniform resolution and resizing during data processing. For evaluating semantic segmentation performance, we tested state-of-the-art models in computer vision and remote sensing on our dataset. Additionally, we conducted an ablation study varying window sizes to capture temporal characteristics. Overall, the models demonstrated modest results, suggesting a requirement for future multimodal and temporal learning strategies. The dataset will be publicly available on <https://github.com/youngsunjang/SDSU_MidWest_Flood_2019>.
- Abstract(参考訳): 本研究では,衛星画像中の浸水領域のセグメンテーションのための新しいデータセットを提案する。
衛星画像を用いた77の既存のベンチマークをレビューした結果、この特定のタスクに適したデータセットが不足していることが判明した。
このギャップを埋めるために、Planet Labs (Image \c{opyright} 2024 Planet Labs PBC)によって2019年の米国中西部の洪水の衛星画像を収集した。
データセットは1カ所10枚の衛星画像で構成され、それぞれが浸水した領域と非浮遊した領域を含んでいる。
アイオワ州、カンザス州、モンタナ州、ネブラスカ州、サウスダコタ州という5州から10か所を選びました。
データセットは、データ処理中に均一な解像度とサイズ変更を保証する。
セマンティックセグメンテーションの性能を評価するため、コンピュータビジョンの最先端モデルとデータセットのリモートセンシングを検証した。
さらに,時間特性を捉えるために,窓の大きさの異なるアブレーション調査を行った。
全体としては、モデルが控えめな結果を示し、将来のマルチモーダルおよび時間学習戦略の必要性が示唆された。
データセットは <https://github.com/youngsunjang/SDSU_MidWest_Flood_2019> で公開される。
関連論文リスト
- SatDepth: A Novel Dataset for Satellite Image Matching [0.0]
SatDepth'は,衛星画像のための画像マッチングフレームワークをトレーニングするために,高密度な地上真実対応を提供する新しいデータセットである。
我々は、我々のデータセットを使用して、既存の4つの画像マッチングフレームワークをベンチマークし、我々のデータセットでトレーニングされたモデルが、他のデータセットでトレーニングされたモデルよりも40%高い(最大40%の精度で)ことを確認するアブレーション調査を実施した。
論文 参考訳(メタデータ) (2025-03-17T00:14:13Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳(メタデータ) (2025-01-14T13:42:22Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳(メタデータ) (2023-12-06T16:53:17Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳(メタデータ) (2023-08-31T16:26:17Z) - An Aligned Multi-Temporal Multi-Resolution Satellite Image Dataset for
Change Detection Research [0.0]
本稿では,変化検出のための多時間・多解像度衛星画像データセットについて述べる。
このデータセットは、SpaceNet-7データセットをランドサットとセンチネルの画像の時間並列スタックで拡張することで作成された。
論文 参考訳(メタデータ) (2023-02-23T19:43:20Z) - 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 benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-04-22T23:49:44Z) - Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing [4.514832807541816]
現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。
衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。
本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
論文 参考訳(メタデータ) (2022-03-22T03:57:02Z) - 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) - S2Looking: A Satellite Side-Looking Dataset for Building Change
Detection [21.366774827660933]
S2Lookingは、大規模で横向きの衛星画像を含む建築変化検出データセットである。
提案するデータセットは,衛星画像変化検出・登録を行うアルゴリズムの開発を促進する可能性がある。
論文 参考訳(メタデータ) (2021-07-20T03:31:00Z)
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。