文献

J-GLOBAL ID：202102248210651206   整理番号：21A2436366

U-Netに基づく世界ビュー衛星画像を用いた都市村のための深層学習セグメンテーションと分類【JST・京大機械翻訳】

Deep Learning Segmentation and Classification for Urban Village Using a Worldview Satellite Image Based on U-Net

著者 (10件)： Pan Zhuokun (College of Natural Resources and Environment, South China Agricultural University, Guangzhou 510642, China) ,  Pan Zhuokun (Guangdong Youyuan Land Information Technology Co., Ltd, Guangzhou 510642, China) ,  Pan Zhuokun (School of Earth Systems and Sustainability, Southern Illinois University, Carbondale, IL 62901, USA) ,  Xu Jiashu (College of Mathematics and Informatics, South China Agricultural University, Guangzhou 510642, China) ,  Guo Yubin (College of Mathematics and Informatics, South China Agricultural University, Guangzhou 510642, China) ,  Hu Yueming (College of Natural Resources and Environment, South China Agricultural University, Guangzhou 510642, China) ,  Hu Yueming (Guangdong Provincial Key Laboratory of Land Use and Consolidation, Guangzhou 510642, China) ,  Hu Yueming (Guangdong Provincial Land Information Engineering Research Center, Guangzhou 510642, China) ,  Hu Yueming (Guangzhou South China Research Institute of Natural Resource Science and Technology, Guangzhou 510640, China) ,  Wang Guangxing (School of Earth Systems and Sustainability, Southern Illinois University, Carbondale, IL 62901, USA)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 10  ページ： 1574  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 未計画の都市沈下は世界的に存在している。これらの地域の地理空間情報は都市管理と再構成計画にとって重要であるが,通常利用できない。リモートセンシング画像を用いた非計画都市村における個々の建物の自動特性化は,複雑な景観と高密度沈下のために非常に困難である。新たに出現した深層学習法は,複雑な都市村における個々の建物を特徴づける可能性を提供する。本研究は,Uネット深層学習アーキテクチャに基づく都市集落マッピングパラダイムを提案した。研究地域は中国広州市に位置する。0.5m空間分解能と建物境界ベクトルファイルにおける8つのパンシャープバンドを有する世界ビュー衛星画像を研究目的として使用した。世界展望画像のこの場面に含まれる都市村の10サイトがある。深層ニューラルネットワークモデルを訓練し,都市村の選択した6地点と4地点に基づいて試験した。建築セグメンテーションと分類のためのモデルを訓練し,試験した。結果は,U-ネットモデルが,建築セグメンテーションで86%以上,分類で83%以上全体精度に達したことを示した。F1スコアは,セグメンテーションで0.9~0.98,分類で0.63~0.88であった。連合上の相互作用は,セグメンテーションで90%以上,分類で86%に達した。深層学習法の優位性を,ランダムフォレストとオブジェクトベース画像解析との比較を通して実証した。本研究は,高密度都市村における個々の建物を描写する深層学習の実現可能性,効率,および可能性を完全に示した。より重要なことに,本研究は,深層学習法を通して,非計画都市沈下のマッピングが,かなりの精度で個々の建物をさらに特徴付けることができることを意味した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  *セグメンテーション ,  *都市 ,  再構成 ,  *衛星利用画像 ,  集落 ,  キャラクタリゼーション ,  計算機アーキテクチャ ,  空間分解能
準シソーラス用語： 地理情報 ,  高密度 ,  ランダムフォレスト ,  リモートセンシング画像 ,  *深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  都市集落定住 ,  ワールドビュー画像 ,  Uネット ,  セグメンテーション ,  貴州

分類 (2件)： 写真測量,空中写真  (RC02040D) ,  都市問題,都市防災  (RD01030O)

引用文献 (50件)：

• Wurm, M.; Stark, T.; Zhu, X.; Weigand, M.; Taubenböck, H. Semantic segmentation of slums in satellite images using transfer learning on fully convolutional neural networks. ISPRS J. Photogramm. Remote Sens. 2019, 150, 59-69.
• Mahabir, R.; Croitoru, A.; Crooks, A.T.; Agouris, P.; Stefanidis, A. A critical review of high and very high-resolution remote sensing approaches for detecting and mapping slums: Trends, challenges and emerging opportunities. Urban Sci. 2018, 2, 8.
• Kuffer, M.; Persello, C.; Pfeffer, K.; Sliuzas, R.; Rao, V. Do we underestimate the global slum population? In Proceedings of the Joint Urban Remote Sensing Event 2019, Vannes, France, 22-24 May 2019; pp. 1-4.
• Kuffer, M.; Pfeffer, K.; Sliuzas, R. Slums from space-15 years of slum mapping using remote sensing. Remote Sens. 2016, 8, 455.
• United Nations. Habitat iii issue papers 22-Informal settlements. In United Nations Conference on Housing and Sustainable Urban Development; United Nations: New York, NY, USA, 2015.

タイトルに関連する用語 (7件)： U-Net ,  世界 ,  衛星画像 ,  都市 ,  深層学習 ,  セグメンテーション ,  分類