神戸大学附属図書館デジタルアーカイブ
入力補助
English
カテゴリ
学内刊行物
ランキング
アクセスランキング
ダウンロードランキング
https://doi.org/10.24546/81011571
このアイテムのアクセス数:
5
件
(
2024-04-23
18:46 集計
)
閲覧可能ファイル
ファイル
フォーマット
サイズ
閲覧回数
説明
81011571 (fulltext)
pdf
597 KB
8
メタデータ
ファイル出力
メタデータID
81011571
アクセス権
open access
出版タイプ
Version of Record
タイトル
深層学習を用いた被災地衛星画像の被覆分類
その他のタイトル
Land cover classification of satellite images of disaster areas using deep learning
著者
吉原, 篤 ; 滝口, 哲也 ; 有木, 康雄
著者名
吉原, 篤
著者ID
A1279
研究者ID
1000040397815
KUID
https://kuid-rm-web.ofc.kobe-u.ac.jp/search/detail?systemId=b3ec2a1710d8267b520e17560c007669
著者名
滝口, 哲也
Takiguchi, Tetsuya
タキグチ, テツヤ
所属機関名
都市安全研究センター
著者ID
A0260
研究者ID
1000010135519
KUID
https://kuid-rm-web.ofc.kobe-u.ac.jp/search/detail?systemId=09a784b8ffbc912c520e17560c007669
著者名
有木, 康雄
Ariki, Yasuo
アリキ, ヤスオ
所属機関名
都市安全研究センター
収録物名
神戸大学都市安全研究センター研究報告
巻(号)
22
ページ
69-74
出版者
神戸大学都市安全研究センター
刊行日
2018-03
公開日
2019-05-30
抄録
地震や津波といった大規模災害が発生した場合、安全な避難・救援ルートの確保や復興対策を検討するため、広域の情報を迅速に把握する必要がある。このタスクを実現するため、近年ではリモートセンシングで取得した衛星画像を用いた被覆分類に関する研究が発展している。これらの研究では、深層学習を用いて様々な分類手法が提案されている。中でも、Convolutional Neural Networks (CNN) を応用した研究が盛んに行われており、他の手法と比べて高い性能を示している。しかし、従来の CNN を用いた手法では、全結合層の構造上入力サイズが固定されてしまうという点や、プーリングの繰り返しにより位置的情報が失われてしまうといった問題がある。そこで、本論文では、上述の問題を解決する手法として、全層畳み込みエンコーダ・デコーダ型モデルによる画像のセグメンテーション手法を提案する。これを被災地衛星画像に適用することで、被覆分類精度向上および被害地域の識別を目的としている。これにより、広域の情報を把握することができ、政府や地方自治体がとるべき災害応急対策の支援に繋がると考えられる。被災前衛星画像において、既存手法および提案手法を用いて分類精度比較を行い、衛星画像に対する提案する多クラスセグメンテーションモデルの有効性を示す。また、被災後の衛星画像に対し、事前学習モデルとして被災前衛星画像で学習したパラメータを用いるかどうかの2種類の方法で学習を行うことで、セグメンテーション精度に生じる差異を検証した。この結果から、事前学習モデルを用いることでセグメンテーション精度が向上することがわかった。
In the event of a large-scale disaster such as an earthquake or tsunami, it is necessary to quickly grasp the wide area information in order to secure safe evacuation/rescue routes and consider recovery measures. In order to realize this task, research on coating classification using satellite images acquired by remote sensing has been developed recently. In these studies, various classification methods have been proposed using deep learning. Among others, Convolutional Neural Networks (CNN) are actively conducted, showing higher performance than other methods. However, with the conventional method using CNN, there is a problem that the input size is fixed due to the structure of the entire coupling layer, and positional information is lost due to repetition of pooling. Therefore, in this paper, we propose a segmentation method based on fully convolutional encoder-decoder model as a solution to the above problem. We aim to improve land cover classification accuracy of the satellite image and to distinguish between damaged areas and areas that are not affected by satellite imagery in the disaster area. By doing this, we can grasp information on a wide area and think that it will lead to the support of disaster emergency measures to be taken by the government and local governments. We showed the effectiveness of the proposed model in multi-class segmentation task of satellite image by comparing the classification accuracy of the conventional method with that of the proposed method for the pre-disaster satellite image. Furthermore, we applied the proposed model to the post-disaster satellite image, and two methods were used to evaluate the difference in segmentation accuracy. From this result, it was found that segmentation accuracy improves by using learned parameters of pre-disaster satellite image.
キーワード
リモートセンシング
衛星画像
被覆分類
深層学習
CNN
Semantic Segmentation
カテゴリ
都市安全研究センター
神戸大学都市安全研究センター研究報告
>
22号(2018-03)
紀要論文
詳細を表示
資源タイプ
departmental bulletin paper
言語
Japanese (日本語)
ISSN
1342-9167
OPACで所蔵を検索
CiNiiで学外所蔵を検索
NCID
AA11142997
OPACで所蔵を検索
CiNiiで表示
関連情報
URI
http://www.rcuss.kobe-u.ac.jp/publication/publication.html
ホームへ戻る