論文の概要: A Spatially Masked Adaptive Gated Network for multimodal post-flood water extent mapping using SAR and incomplete multispectral data

• arxiv url: http://arxiv.org/abs/2601.00123v1
• Date: Wed, 31 Dec 2025 21:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.266773
• Title: A Spatially Masked Adaptive Gated Network for multimodal post-flood water extent mapping using SAR and incomplete multispectral data
• Title（参考訳）: SARと不完全多重スペクトルデータを用いたマルチモーダルポストフロード水深マッピングのための空間マスク型適応ゲーテッドネットワーク
• Authors: Hyunho Lee, Wenwen Li,
• Abstract要約: 本研究では,SARデータを用いたマルチモーダル深層学習モデルを提案する。 SMAGNetは、MSIデータ可用性の様々なレベルにわたる予測性能において、他のマルチモーダルディープラーニングモデルよりも一貫して優れていた。 これらの結果から,SMAGNetは,実際の洪水管理シナリオにおけるマルチモーダル深層学習の適用性だけでなく,欠落データに対するロバスト性の向上を図っている。
• 参考スコア（独自算出の注目度）: 5.658491018082432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapping water extent during a flood event is essential for effective disaster management throughout all phases: mitigation, preparedness, response, and recovery. In particular, during the response stage, when timely and accurate information is important, Synthetic Aperture Radar (SAR) data are primarily employed to produce water extent maps. Recently, leveraging the complementary characteristics of SAR and MSI data through a multimodal approach has emerged as a promising strategy for advancing water extent mapping using deep learning models. This approach is particularly beneficial when timely post-flood observations, acquired during or shortly after the flood peak, are limited, as it enables the use of all available imagery for more accurate post-flood water extent mapping. However, the adaptive integration of partially available MSI data into the SAR-based post-flood water extent mapping process remains underexplored. To bridge this research gap, we propose the Spatially Masked Adaptive Gated Network (SMAGNet), a multimodal deep learning model that utilizes SAR data as the primary input for post-flood water extent mapping and integrates complementary MSI data through feature fusion. In experiments on the C2S-MS Floods dataset, SMAGNet consistently outperformed other multimodal deep learning models in prediction performance across varying levels of MSI data availability. Furthermore, we found that even when MSI data were completely missing, the performance of SMAGNet remained statistically comparable to that of a U-Net model trained solely on SAR data. These findings indicate that SMAGNet enhances the model robustness to missing data as well as the applicability of multimodal deep learning in real-world flood management scenarios.
• Abstract（参考訳）: 洪水時の水深のマッピングは, 緩和, 準備, 応答, 回復のすべての段階にわたって, 効果的な災害管理に不可欠である。 特に応答段階では、タイムリーかつ正確な情報が重要である場合、SAR(Synthetic Aperture Radar)データは主に水深マップを作成するために使用される。 近年,多モーダルアプローチによるSARとMSIデータの相補的特性の活用が,深層学習モデルを用いた水深マッピングを推進するための有望な戦略として浮上している。 この手法は、洪水のピーク時またはその直後に観測された時間経過後の観測が制限された場合に特に有益であり、より正確な水深マッピングのために利用可能なすべての画像を使用することを可能にしている。 しかし, 部分的に利用可能なMSIデータのSARによる水深マッピングプロセスへの適応的な統合は, 未検討のままである。 この研究ギャップを埋めるため,SARデータを用いた多モード深層学習モデルであるSMAGNetを提案する。 C2S-MS Floodsデータセットの実験では、SMAGNetはMSIデータ可用性のさまざまなレベルにわたる予測性能において、他のマルチモーダルディープラーニングモデルよりも一貫して優れていた。 さらに,MSIデータが完全に欠落している場合でも,SMAGNetの性能はSARデータのみに基づいてトレーニングされたU-Netモデルと統計的に比較できることがわかった。 これらの結果から,SMAGNetは,実際の洪水管理シナリオにおけるマルチモーダル深層学習の適用性だけでなく,欠落データに対するロバスト性の向上を図っている。

関連論文リスト

• Data-driven Super-Resolution of Flood Inundation Maps using Synthetic Simulations [8.52854374818894]
  物理シミュレーションにより得られた高品質な合成データを用いてモデルを訓練する。 アイオワ州の洪水イベントから得られた実世界のデータに基づいて,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-02-14T23:16:39Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• 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)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• 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)
• Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping [3.753635296366263]
  バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。 このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
  論文  参考訳（メタデータ） (2023-05-01T03:11:42Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。