論文の概要: Enhancing deep learning performance on burned area delineation from SPOT-6/7 imagery for emergency management
- arxiv url: http://arxiv.org/abs/2512.12056v1
- Date: Fri, 12 Dec 2025 21:54:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.084977
- Title: Enhancing deep learning performance on burned area delineation from SPOT-6/7 imagery for emergency management
- Title（参考訳）: 緊急管理のためのSPOT-6/7画像からの焼成領域のデライン化による深層学習性能の向上
- Authors: Maria Rodriguez, Minh-Tan Pham, Martin Sudmanns, Quentin Poterek, Oscar Narvaez,
- Abstract要約: 森林火災の後、火災地域(BA)のデライン化は損傷の定量化と生態系の回復支援に不可欠である。
現在のBAマッピングアプローチは、リモートセンシング後のイメージに基づいて訓練されたコンピュータビジョンモデルに依存している。
本研究では,BAデラインの性能向上と効率向上を目的とした,教師付きセマンティックセマンティックセマンティクスワークフローを提案する。
- 参考スコア（独自算出の注目度）: 3.989241412792335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: After a wildfire, delineating burned areas (BAs) is crucial for quantifying damages and supporting ecosystem recovery. Current BA mapping approaches rely on computer vision models trained on post-event remote sensing imagery, but often overlook their applicability to time-constrained emergency management scenarios. This study introduces a supervised semantic segmentation workflow aimed at boosting both the performance and efficiency of BA delineation. It targets SPOT-6/7 imagery due to its very high resolution and on-demand availability. Experiments are evaluated based on Dice score, Intersection over Union, and inference time. The results show that U-Net and SegFormer models perform similarly with limited training data. However, SegFormer requires more resources, challenging its practical use in emergencies. Incorporating land cover data as an auxiliary task enhances model robustness without increasing inference time. Lastly, Test-Time Augmentation improves BA delineation performance but raises inference time, which can be mitigated with optimization methods like Mixed Precision.
- Abstract（参考訳）: 森林火災の後、焼成地域(BA)は損傷の定量化と生態系の回復支援に不可欠である。
現在のBAマッピングアプローチは、リモートセンシング後のイメージに基づいて訓練されたコンピュータビジョンモデルに依存している。
本研究では,BAデラインの性能向上と効率向上を目的とした,教師付きセマンティックセマンティックセマンティクスワークフローを提案する。
SPOT-6/7の高解像度とオンデマンドの可用性を目標としている。
実験はDiceスコア、Intersection over Union、推論時間に基づいて評価される。
その結果,U-NetモデルとSegFormerモデルも同様に,限られたトレーニングデータで動作することがわかった。
しかし、SegFormerはより多くのリソースを必要とし、緊急時にその実用化に挑戦する。
補助タスクとして土地被覆データを組み込むことは、推論時間を増大させることなくモデルロバスト性を高める。
最後に、Test-Time AugmentationはBA Delineationのパフォーマンスを改善するが、推論時間を向上し、Mixed Precisionのような最適化メソッドで緩和できる。
関連論文リスト
- Learning Depth from Past Selves: Self-Evolution Contrast for Robust Depth Estimation [42.74561859065153]
SEC-Depthは自己監督型頑健な深度推定タスクのための自己進化型コントラスト学習フレームワークである。
本手法は多様なベースラインモデルにシームレスに統合し,ゼロショット評価におけるロバスト性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-19T06:42:40Z) - Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
Subset-Selected Counterfactual Augmentation (SS-CA)
我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。
実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-15T08:39:22Z) - Exploring Structural Degradation in Dense Representations for Self-supervised Learning [84.52554180480037]
自己教師付き学習(SSL)における直感的な現象を観察する。
我々は、この現象を自己教師付きDense Degradation(SDD)と呼び、16の最先端SSLメソッドに一貫した存在を示す。
本稿では,クラス関連尺度と有効次元尺度からなるDense Expression Structure Estimator (DSE)を紹介する。
論文 参考訳（メタデータ） (2025-10-20T08:40:16Z) - HINT: Helping Ineffective Rollouts Navigate Towards Effectiveness [49.72591739116668]
強化学習(RL)は、大規模言語モデル(LLM)の長いチェーン・オブ・シント(CoT)推論能力を高めるための重要な要因となっている。
しかし、GRPOのような一般的な手法は、タスクの難しさがモデルの能力を超えると失敗し、スパーシリティと非効率なトレーニングに報いる。
我々は、適応的なヒントフレームワークであるHINT: Helping In Effective Rollouts Navigate Towards Effectiveを提案する。
論文 参考訳（メタデータ） (2025-10-10T13:42:03Z) - Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。
本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。
AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
論文 参考訳（メタデータ） (2025-05-24T05:17:53Z) - Underlying Semantic Diffusion for Effective and Efficient In-Context Learning [113.4003355229632]
Underlying Semantic Diffusion (US-Diffusion)は、セマンティック学習、計算効率、文脈内学習能力を高める拡張拡散モデルである。
本稿では,フィードバック信号を利用したフィードバック支援学習(FAL)フレームワークを提案する。
また,高雑音レベルの時間ステップで高密度サンプリングを行うためのプラグイン・アンド・プレイの効率的なサンプリング戦略(ESS)を提案する。
論文 参考訳（メタデータ） (2025-03-06T03:06:22Z) - Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - Automatic UAV-based Airport Pavement Inspection Using Mixed Real and
Virtual Scenarios [3.0874677990361246]
本稿では,UAVが捉えた画像を用いて,舗装の苦悩を自動的に識別する視覚的アプローチを提案する。
提案手法は,画像の欠陥を分割する深層学習(DL)に基づいている。
合成および実訓練画像からなる混合データセットを使用することで、実アプリケーションシナリオでトレーニングモデルをテストする場合、より良い結果が得られることを示す。
論文 参考訳（メタデータ） (2024-01-11T16:30:07Z) - Unsupervised Domain-Specific Deblurring using Scale-Specific Attention [0.25797036386508543]
スケール適応型アテンションモジュール (SAAM) を用いた教師なしドメイン固有のデブロアリングを提案する。
我々のネットワークはトレーニングのために教師付きペアを必要とせず、デブロアリング機構は主に敵の損失によって導かれる。
異なるアブレーション研究により、我々の粗粒度機構は、教師なしモデルよりも優れており、SAAMは文学で使用される注意モデルと比較して、より優れた参画が可能であることが示されている。
論文 参考訳（メタデータ） (2021-12-12T07:47:45Z) - Deep Learning-based Aerial Image Segmentation with Open Data for
Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。
航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。
インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文 参考訳（メタデータ） (2020-06-10T00:19:58Z)
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。