論文の概要: Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery

• arxiv url: http://arxiv.org/abs/2601.09262v1
• Date: Wed, 14 Jan 2026 07:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.322841
• Title: Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery
• Title（参考訳）: 拡大変化:マルチレゾリューション・マルチソース衛星画像を用いた高速火傷跡マッピング
• Authors: Maria Sdraka, Dimitrios Michail, Ioannis Papoutsis,
• Abstract要約: 衛星画像による山火事の被害地域は、不規則で空間的に不均一なスペクトル変化のため、いまだに困難である。 マルチ解像度・マルチソース衛星画像を用いた新しい深層学習モデルBAM-MRCDを提案する。 我々のモデルは、たとえ小規模な山火事であっても高い精度で検出することができ、同様の変化検出モデルと固体ベースラインを超越する。
• 参考スコア（独自算出の注目度）: 3.9242511182805866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Delineating wildfire affected areas using satellite imagery remains challenging due to irregular and spatially heterogeneous spectral changes across the electromagnetic spectrum. While recent deep learning approaches achieve high accuracy when high-resolution multispectral data are available, their applicability in operational settings, where a quick delineation of the burn scar shortly after a wildfire incident is required, is limited by the trade-off between spatial resolution and temporal revisit frequency of current satellite systems. To address this limitation, we propose a novel deep learning model, namely BAM-MRCD, which employs multi-resolution, multi-source satellite imagery (MODIS and Sentinel-2) for the timely production of detailed burnt area maps with high spatial and temporal resolution. Our model manages to detect even small scale wildfires with high accuracy, surpassing similar change detection models as well as solid baselines. All data and code are available in the GitHub repository: https://github.com/Orion-AI-Lab/BAM-MRCD.
• Abstract（参考訳）: 電磁波スペクトルにおける不規則で空間的に不均一なスペクトル変化のため、衛星画像を用いた山火事の被害地域はいまだに困難なままである。 近年の深層学習手法は高分解能マルチスペクトルデータを利用できる場合に高い精度で実現されているが、現在の衛星システムの空間分解能と時間的再訪周波数のトレードオフにより、山火事発生直後の火傷傷跡の迅速な線引きが要求される運用環境での適用性は制限されている。 この制限に対処するため,高空間分解能・時間分解能の詳細な焼成面積図の作成にマルチ解像度・マルチソース衛星画像(MODIS,Sentinel-2)を用いた新しい深層学習モデルBAM-MRCDを提案する。 我々のモデルは、たとえ小規模な山火事であっても高い精度で検出することができ、同様の変化検出モデルと固体ベースラインを超越する。 すべてのデータとコードはGitHubリポジトリから入手可能だ。

関連論文リスト

• Metadata, Wavelet, and Time Aware Diffusion Models for Satellite Image Super Resolution [4.307648859471193]
  MWT-Diffは、衛星画像超解像(SR)のための革新的なフレームワークである フレームワークの中核は、新しいメタデータ、ウェーブレット、タイムアウェアエンコーダ(MWT-Encoder)である。 埋め込み特徴表現は階層的拡散力学を駆使し、モデルが低解像度入力から高解像度衛星画像を徐々に再構成する。
  論文  参考訳（メタデータ） (2025-06-30T07:19:50Z)
• A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction [4.824120664293887]
  SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。 条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。 分散損失に基づくVGG-Adapterモジュール。
  論文  参考訳（メタデータ） (2025-04-16T14:19:57Z)
• SparseFormer: Detecting Objects in HRW Shots via Sparse Vision Transformer [62.11796778482088]
  本稿では,近接撮影とHRW撮影のオブジェクト検出のギャップを埋めるために,SparseFormerと呼ばれるモデル非依存のスパース視覚変換器を提案する。 提案されたSparseFormerは、オブジェクトを含む可能性のあるスパース分散ウィンドウを精査するために、注意トークンを選択的に使用する。 2つのHRWベンチマークであるPANDAとDOTA-v1.0の実験により、提案されたSparseFormerは、最先端のアプローチよりも検出精度(最大5.8%)と速度(最大3倍)を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-11T03:21:25Z)
• Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
  本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。 1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。 もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-01T07:50:37Z)
• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)

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。