論文の概要: Topology-Informed Neural Networks for Flood Detection in Optical and Synthetic Aperture Radar Imagery

• arxiv url: http://arxiv.org/abs/2606.26204v2
• Date: Fri, 26 Jun 2026 01:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 13:57:07.329757
• Title: Topology-Informed Neural Networks for Flood Detection in Optical and Synthetic Aperture Radar Imagery
• Title（参考訳）: 光・合成開口レーダ画像における洪水検出のためのトポロジーインフォームニューラルネットワーク
• Abstract要約: 急速かつ正確な洪水検出は、人的・経済的損失の緊急対応と時間的緩和に不可欠である。 多くの洪水は、雲が光学衛星画像を隠すため、検出が難しいままである。 トポロジカルデクリプタは,独立して有意義な洪水信号を持ち,既存のネットワークを補完し,より堅牢で解釈可能な洪水検知システムを実現する。
• 参考スコア（独自算出の注目度）: 10.268453073867622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Floods frequently impact regions around the world. Rapid and accurate flood detection is crucial for emergency response and timely mitigation of human and economic loss. The expanding availability of satellite data and advances in artificial intelligence have enhanced monitoring of environmental hazards, but many flood events remain challenging to detect because cloud cover obscures optical satellite imagery. Rambour et al. introduced the SEN12-FLOOD dataset and extracted per-image features using a ResNet-50 convolutional neural network backbone, then fed these features into a gated recurrent unit network to show that temporal information can substantially improve accuracy compared to single-image baselines. More recently, Chamatidis et al. showed that a vision transformer can achieve strong performance with popular convolutional architectures. However, these models typically function as opaque black boxes, making it difficult to interpret their decision boundaries, learned features, and internal reasoning, especially in safety-critical domains like remote sensing. In contrast, topological data analysis (TDA) provides a mathematically grounded framework for capturing global structural features of data. TDA has emerged as a powerful tool for analyzing complex imagery, especially imagery with geometrically interpretable structures, of which floods are a prime candidate. In this work, we systematically evaluate topological descriptors for flood detection using the open-source SEN12-FLOOD dataset. By extracting topological features from each image and incorporating them into neural networks, we demonstrate that topological descriptors carry meaningful flood signals independently and complement existing networks to yield more robust and interpretable flood detection systems.
• Abstract（参考訳）: 洪水はしばしば世界中の地域に影響を与える。 急速かつ正確な洪水検出は、人的・経済的損失の緊急対応と時間的緩和に不可欠である。 衛星データの利用が拡大し、人工知能の進歩により環境リスクの監視が強化されているが、雲が光学衛星画像を隠蔽しているため、多くの洪水イベントは検出が困難である。 RambourらはSEN12-FLOODデータセットを導入し、ResNet-50畳み込みニューラルネットワークのバックボーンを使用して画像毎の特徴を抽出し、これらの特徴をゲートされたリカレントユニットネットワークに供給し、時間情報がシングルイメージベースラインよりも精度を大幅に向上させることができることを示した。 最近では、Chamatidisらは、一般的な畳み込みアーキテクチャでビジョントランスフォーマーが強力なパフォーマンスを達成できることを示した。 しかし、これらのモデルは一般的に不透明なブラックボックスとして機能し、特にリモートセンシングのような安全クリティカルな領域において、決定境界や学習特徴、内部推論を解釈することが困難になる。 対照的に、トポロジカルデータ分析(TDA)は、データのグローバルな構造的特徴を捉えるための数学的基盤となるフレームワークを提供する。 TDAは複雑な画像、特に洪水が主要な候補である幾何学的に解釈可能な構造を持つ画像を分析する強力なツールとして登場した。 本研究では,オープンソースのSEN12-FLOODデータセットを用いて,洪水検出のためのトポロジ的記述子を体系的に評価する。 各画像からトポロジ的特徴を抽出し,それらをニューラルネットワークに組み込むことで,トポロジ的記述子は有意義な洪水信号を持ち,既存のネットワークを補完することにより,より堅牢で解釈可能な洪水検出システムが得られることを示す。

関連論文リスト

• Explainable Flood Segmentation on Sentinel-1 SAR Imagery: A Comparative Study of CNN and Transformer Architectures [0.0]
  本研究では,畳み込みニューラルネットワーク(CNN)とマルチクラス洪水セグメンテーションのための視覚トランスフォーマーアーキテクチャを包括的に比較する。 3つの最先端(SOTA)CNNベースのモデル、U-Net、U-Net++、DeepLabV3、ResNet-34のバックボーン、および3つのSegFormer変種(b0,b1,b2)を評価した。 結果は、SegFormer-b2がETCIデータセットのU-Netベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-06-15T07:06:30Z)
• SPECTRA-Net: Scalable Pipeline for Explainable Cross-domain Tensor Representations for AI-generated Images Detection [0.0]
  AI生成画像(AIGI)の急速な普及は、デジタル情報の完全性に重大な課題をもたらす。 本稿では、AIGI検出のための説明可能なクロスドメインテンソル表現のためのスケーラブルパイプラインであるSPECTRA-Netを紹介する。
  論文  参考訳（メタデータ） (2026-05-06T16:35:47Z)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• A Novel Shape-Aware Topological Representation for GPR Data with DNN Integration [3.367318729981566]
  地中貫入レーダ(GPR)は地下探査に広く用いられている非破壊試験(NDT)技術である。 本研究では,地下施設,特にパイプラインの発見を促進する新しい枠組みを提案する。 本研究では, 入力データの構造的特徴を増幅し, 埋設物の幾何学的特徴に対するモデルの応答性を向上する新しい形状対応トポロジ表現を提案する。
  論文  参考訳（メタデータ） (2025-05-26T10:43:34Z)
• BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support [34.91321323785173]
  我々はBlessemFlood21データセットを導入し、効率的な洪水検知ツールの研究を刺激する。 この画像は、2021年のエルフトシュタット=ブレセム洪水で取得され、高解像度でジオレファレンスなRGB-NIR画像で構成された。 得られたRGBデータセットでは、画像に詳細な水面を補足し、半教師付きヒト・イン・ザ・ループ技術を用いて取得する。
  論文  参考訳（メタデータ） (2024-07-06T08:58:43Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
  水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。 センサデータの誤パターンを特定するには異常検出が不可欠である。 本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T01:32:32Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)

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。