Soumettre la recherche
Mettre en ligne
AIによる効率的危険斜面抽出システムの開発について
•
0 j'aime
•
1,540 vues
Ryousuke Wayama
Suivre
FOSS4G 2019 NIIGATAで発表させていただいた資料となります。
Lire moins
Lire la suite
Logiciels
Signaler
Partager
Signaler
Partager
1 sur 42
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
CS立体図とディープラーニングによる崩落地形予想について
CS立体図とディープラーニングによる崩落地形予想について
Ryousuke Wayama
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
深層学習によるHuman Pose Estimationの基礎
深層学習によるHuman Pose Estimationの基礎
Takumi Ohkuma
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Takuya Azumi
07QGISで遺跡立地分析
07QGISで遺跡立地分析
Junpei Ishii
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
徹 上野山
人流データ解析プラットフォーム Mobmap
人流データ解析プラットフォーム Mobmap
Hiroaki Sengoku
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
harmonylab
Recommandé
CS立体図とディープラーニングによる崩落地形予想について
CS立体図とディープラーニングによる崩落地形予想について
Ryousuke Wayama
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
深層学習によるHuman Pose Estimationの基礎
深層学習によるHuman Pose Estimationの基礎
Takumi Ohkuma
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Takuya Azumi
07QGISで遺跡立地分析
07QGISで遺跡立地分析
Junpei Ishii
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
徹 上野山
人流データ解析プラットフォーム Mobmap
人流データ解析プラットフォーム Mobmap
Hiroaki Sengoku
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
harmonylab
物体検出の歴史(R-CNNからSSD・YOLOまで)
物体検出の歴史(R-CNNからSSD・YOLOまで)
HironoriKanazawa
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
harmonylab
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
Ryousuke Wayama
強化学習入門
強化学習入門
Shunta Saito
ARマーカーを用いた位置姿勢推定
ARマーカーを用いた位置姿勢推定
KakeruYamasaki
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
Deep Learning JP
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
Sift特徴量について
Sift特徴量について
la_flance
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
Yoshitaka HARA
LiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピング
Takuya Minagawa
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII
確率ロボティクス第五回
確率ロボティクス第五回
Ryuichi Ueda
転移学習ランキング・ドメイン適応
転移学習ランキング・ドメイン適応
Elpo González Valbuena
データサイエンティストの仕事とデータ分析コンテスト
データサイエンティストの仕事とデータ分析コンテスト
Ken'ichi Matsui
Open dronemapハンズオン
Open dronemapハンズオン
Mizutani Takayuki
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
四脚ロボットによるつくばチャレンジへの取り組み
四脚ロボットによるつくばチャレンジへの取り組み
kiyoshiiriemon
データサイエンティスト向け性能問題対応の基礎
データサイエンティスト向け性能問題対応の基礎
Tetsutaro Watanabe
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
20200819 toyama
20200819 toyama
KenichiroToda
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Ryousuke Wayama
Cesiumマニアックス― Revenge ―
Cesiumマニアックス― Revenge ―
Ryousuke Wayama
Contenu connexe
Tendances
物体検出の歴史(R-CNNからSSD・YOLOまで)
物体検出の歴史(R-CNNからSSD・YOLOまで)
HironoriKanazawa
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
harmonylab
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
Ryousuke Wayama
強化学習入門
強化学習入門
Shunta Saito
ARマーカーを用いた位置姿勢推定
ARマーカーを用いた位置姿勢推定
KakeruYamasaki
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
Deep Learning JP
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
Sift特徴量について
Sift特徴量について
la_flance
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
Yoshitaka HARA
LiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピング
Takuya Minagawa
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII
確率ロボティクス第五回
確率ロボティクス第五回
Ryuichi Ueda
転移学習ランキング・ドメイン適応
転移学習ランキング・ドメイン適応
Elpo González Valbuena
データサイエンティストの仕事とデータ分析コンテスト
データサイエンティストの仕事とデータ分析コンテスト
Ken'ichi Matsui
Open dronemapハンズオン
Open dronemapハンズオン
Mizutani Takayuki
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
四脚ロボットによるつくばチャレンジへの取り組み
四脚ロボットによるつくばチャレンジへの取り組み
kiyoshiiriemon
データサイエンティスト向け性能問題対応の基礎
データサイエンティスト向け性能問題対応の基礎
Tetsutaro Watanabe
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
20200819 toyama
20200819 toyama
KenichiroToda
Tendances
(20)
物体検出の歴史(R-CNNからSSD・YOLOまで)
物体検出の歴史(R-CNNからSSD・YOLOまで)
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Est...
Cesiumを用いた3次元リアルタイムデータの可視化について
Cesiumを用いた3次元リアルタイムデータの可視化について
強化学習入門
強化学習入門
ARマーカーを用いた位置姿勢推定
ARマーカーを用いた位置姿勢推定
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
Sift特徴量について
Sift特徴量について
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
ROS の活用による屋外の歩行者空間に適応した自律移動ロボットの開発
LiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピング
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
確率ロボティクス第五回
確率ロボティクス第五回
転移学習ランキング・ドメイン適応
転移学習ランキング・ドメイン適応
データサイエンティストの仕事とデータ分析コンテスト
データサイエンティストの仕事とデータ分析コンテスト
Open dronemapハンズオン
Open dronemapハンズオン
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
四脚ロボットによるつくばチャレンジへの取り組み
四脚ロボットによるつくばチャレンジへの取り組み
データサイエンティスト向け性能問題対応の基礎
データサイエンティスト向け性能問題対応の基礎
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
20200819 toyama
20200819 toyama
Plus de Ryousuke Wayama
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Ryousuke Wayama
Cesiumマニアックス― Revenge ―
Cesiumマニアックス― Revenge ―
Ryousuke Wayama
Pix2pixによるcs立体図の地すべり検出
Pix2pixによるcs立体図の地すべり検出
Ryousuke Wayama
Deep Learning with FOSS4G
Deep Learning with FOSS4G
Ryousuke Wayama
Deep Learning Abstract
Deep Learning Abstract
Ryousuke Wayama
空撮画像技術と3次元リアルタイムデータの可視化について
空撮画像技術と3次元リアルタイムデータの可視化について
Ryousuke Wayama
リアルタイムPoint cloudデータのビジュアライゼーションについて
リアルタイムPoint cloudデータのビジュアライゼーションについて
Ryousuke Wayama
オープンデータとオープンソースGisを用いたweb上でのインタラクティブ可視化手法について
オープンデータとオープンソースGisを用いたweb上でのインタラクティブ可視化手法について
Ryousuke Wayama
Plus de Ryousuke Wayama
(8)
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Geotiff.jsで始めるリアルタイム演算 in foss4g japan 2020 online
Cesiumマニアックス― Revenge ―
Cesiumマニアックス― Revenge ―
Pix2pixによるcs立体図の地すべり検出
Pix2pixによるcs立体図の地すべり検出
Deep Learning with FOSS4G
Deep Learning with FOSS4G
Deep Learning Abstract
Deep Learning Abstract
空撮画像技術と3次元リアルタイムデータの可視化について
空撮画像技術と3次元リアルタイムデータの可視化について
リアルタイムPoint cloudデータのビジュアライゼーションについて
リアルタイムPoint cloudデータのビジュアライゼーションについて
オープンデータとオープンソースGisを用いたweb上でのインタラクティブ可視化手法について
オープンデータとオープンソースGisを用いたweb上でのインタラクティブ可視化手法について
AIによる効率的危険斜面抽出システムの開発について
1.
AIによる効率的危険斜面抽出シ ステムの開発について 株式会社ノーザンシステムサービス 課題名 「山地災害リスクを低減する技術の開発」 小課題名 「AIによる効率的危険斜面抽出及び林地崩壊予測システムの開発」 中間報告 農林水産省委託プロジェクト
PRISM
2.
自己紹介 2 岩手にある (株)ノーザンシステム サービス という会社で 地図やAIを使ったりした 研究開発をしています。 最近はバイクでキャンプ ツーリングしたりしてお ります。 旅している間も学習中の AIが気になり、神社で平 均精度と頑健性が向上す るように神様にお祈りを しています。 Twitter: @wayama_ryousuke
3.
頻発する大規模土砂災害 3 2014年 平成26年8月豪雨 • 前線に向かい温暖湿潤な空気が流入、各地で記録的な大雨 •
広島市では土石流・崖崩れなどにより死者76名(災害関連死を含む)、家屋被 害計4,749棟の被害 出典:地理院地図/ 国土地理院 (http://www.maps.gsi.go.jp)
4.
頻発する大規模土砂災害 4 2018年 北海道胆振東部地震 • 最大震度7の大規模な地震 •
液状化現象や北海道全域の停電などの被害 • 台風21号の影響もあり広範囲の土砂崩れが発生 出典:国土地理院ウェブサイト(http://www.gsi.go.jp/BOUSAI/H30-hokkaidoiburi-east-earthquake-index.html) い ぶり
5.
弊社のこれまでの取り組み 5 Deep Learning を用いた崩落地形予測・抽出 •
2016年 台風10号による岩手県内の崩落箇所データを用い、雨量や地形などの データから崩落箇所を予測(FOSS4G 2017 HOKKAIDO) 出典:国土地理院(http://maps.gsi.go.jp/development/ichiran.html),標高タイルを加工して作成 国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html),土砂崩壊・堆積地等分布図を加工して作成
6.
2018年度の取り組み 6 pix2pix および Mask
R-CNN を使い、地形画像から崩落箇所を判別 • pix2pix:変換前後の画像をペアで学習させ、GANにより画像変換を行う 入 力 出 力 正 解 標高タイル ⇒ 陰影図 航空写真 ⇒ 地図
7.
2018年度の取り組み 7 pix2pix および Mask
R-CNN を使い、地形画像から崩落箇所を判別 • Mask R-CNN:画像データと物体の輪郭を示すマスクデータを与えることで、 物体検出を行う 出典: Jason Remillard, “Images to OSM”. https://github.com/jremillard/images-to-osm, 2017 動作デモ 航空写真 ⇒ 野球場 (Remillard, 2017)
8.
2018年度の取り組み 8 CS立体図 地質図 (pix2pixのみ) 正解データ 崩落箇所 データセット:地形・地質・植生 • 地形:CS立体図 • 地質:地質図 •
植生:Bing Map から取得した航空写真 • Mask R-CNNはCS立体図だけで学習 航空写真 (pix2pixのみ) 出典: Bing Map (https://www.bing.com/maps)
9.
2018年度の取り組み 9 CS立体図 地質図 (pix2pixのみ) 正解データ 崩落箇所 教師データ:崩落箇所データ • 「地形」「植生」データから熟練者が抽出 航空写真 (pix2pixのみ) 出典: Bing
Map (https://www.bing.com/maps)
10.
データセットの作成 • CS立体図 • 地域ごとのCS立体図だったためgdal_merge.pyで全てのCS立体図をマージ •
GDAL2TILESでタイル化 10生成されたCS立体図のタイル画像
11.
データセットの作成 • 地質図 • GeoJSONから地図タイルを作成するプログラムを使用 •
QGISでシェープファイルをGeoJSONに変換 • GeoJSONからタイルを作成するJavaScriptライブラリであるgeojson-vtを使ってタイル化 (https://github.com/mapbox/geojson-vt) 11 生成された地質のタイル画像
12.
データセットの作成 • 崩落箇所 • 地質と同様にシェープファイルをGeoJSONに変換してからgeojson-vtでタイル化 12生成された崩落箇所のタイル画像
13.
2018年度の取り組み 13 結果 •pix2pix:抽出失敗! 入力(CS立体図) 出力 正解
14.
2018年度の取り組み 14 結果 • Mask R-CNN:抽出成功! •
植生が回復した過去の崩落地も抽出できている 入力(CS立体図) 出力 正解
15.
本年度(2019年度)の課題設定 15 ① 崩落の危険性がある箇所を予測する • 教師データ:平成30年広島県土砂災害の崩落箇所 •
入力データ:崩落前の地形・地質データと雨量 • 目標:崩落危険箇所の抽出 CS立体図 正解データ 崩落箇所航空写真 土壌図 表層地質図 雨量 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp), Bing Map (https://www.bing.com/maps)
16.
本年度(2019年度)の課題設定 16 ② 「直近の災害により崩落した箇所」を識別する • 教師データ:平成30年広島県土砂災害の崩落箇所 •
入力データ:CS立体図 • 目標:崩落が起こった箇所の抽出 正解データ 崩落箇所 CS立体図
17.
本年度(2019年度)の課題設定 17 使用するDNN •MS-GAN:GANの弱点「モード崩壊」を防止 https://github.com/HelenMao/MSGAN •Mask R-CNN:各種実験で好成績を収めている実 績がある
18.
MS-GANによる崩落危険箇所の予測 18 航空写真、土壌図、表層地質図を読み込ませる 入力 正解 Bing 航空写真
土壌図 表層地質図 出典:Bing Map (https://www.bing.com/maps)
19.
MS-GANによる崩落危険箇所の予測 19 CS立体図、航空写真、土壌図、表層地質図、雨量を読み込ませる → 抽出失敗! 入力(Bing 航空写真)
出力 正解出力 出典:Bing Map (https://www.bing.com/maps)
20.
MS-GANによる崩落危険箇所の予測 20 まるでファミコン版ドラクエのマップのような出力 ドラクエマップジェネレータとして応用できる? 入力 出力 エポック 56 エポック 53 入力 出力 エポック 100 エポック 151 出典:Bing
Map (https://www.bing.com/maps)
21.
MS-GANによる崩落箇所の抽出 21 CS立体図のみを読み込ませる • QGIS用プラグイン”CSMapMaker “を使ってデータセット作成 (https://github.com/waigania13/CSMapMaker) 入力(CS立体図)
正解
22.
MS-GANによる崩落箇所の抽出 22 CS立体図のみを読み込ませる → 抽出失敗 入力(CS立体図) 出力
正解出力
23.
MS-GANのまとめ 23 なぜ、うまくいかなかったのか? •MS-GANの特徴(多様性を維持する ため、画像にノイズを加えている) •データセットの粒度、作成手法(機 械的に作成/人力で作成)が異なる
24.
Mask R-CNNによる崩落危険箇所の予測 24 画像から一般物体認識に特化したDNN • RGB3チャネルの画像データを読み込む能力をもつ →
多チャネル画像の読み込みが可能なように改造 (https://github.com/matterport/Mask_RCNN/wiki) → 種類の異なるタイル画像を1枚のTIFF画像にまとめ、入力画像とする 1~3バンド(航空写真) 4~6バンド(CS立体図) 7~9バンド(土壌図) 10~12バンド(表層地質図) 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp), Bing Map (https://www.bing.com/maps)
25.
Mask R-CNNによる崩落危険箇所の予測 25 2種類のデータ(航空写真、CS立体図)を1枚の画像として読み込ませる → 抽出失敗、海上で崩落のおそれあり? •
原因は座標軸の入れ替え時のミス 入力 (CS立体図、航空写真) 出力 正解 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp), Bing Map (https://www.bing.com/maps)
26.
Mask R-CNNによる崩落危険箇所の予測 26 バグが紛れ込んだときに見つけづらい! 入力 (CS立体図、航空写真) 出力 正解 出典:CS立体図(5mDEMもあり)
(http://kouapp.main.jp), Bing Map (https://www.bing.com/maps)
27.
Mask R-CNNによる崩落危険箇所の予測 27 修正し再トライ → 山岳地形を抽出しているが、実際の崩落箇所からずれている •
データの種類が不足? • 抽出対象物(崩落箇所)が小さすぎる? 出力(赤)+正解(青) 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp)
28.
Mask R-CNNによる崩落危険箇所の予測 28 CS立体図 +
Bing航空写真 + 土壌図 + 表層地質図 CS立体図 + Bing航空写真 + 土壌図 + 表層地質図 + 雨量 を使って再トライ → 山岳地形を抽出しているが、実際の崩落箇所からずれている • とくに雨量を加えて訓練すると、抽出箇所が塊状になる傾向がある 入力(CS立体図) 出力(雨量なし学習) 出力(雨量あり学習) 正解 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp), Bing Map (https://www.bing.com/maps)
29.
Mask R-CNNによる崩落危険箇所の予測 29 なぜ、うまくいかなかったのか? • 抽出対象の物体(崩落箇所)が小さすぎる →
ズームレベルを上げ、抽出対象物が大きく写る画像を使えばよい? (手元にない…) ズームレベル14 ズームレベル18 (画像は崩落後のもの) 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp)
30.
Mask R-CNNによる崩落危険箇所の予測 30 なぜ、うまくいかなかったのか? • データセットの粒度、作成手法(機械的に作成/人力で作成)が異なる →
入力画像の種類を少なくして、高精細・ファクトデータだけを使えばよい? 低解像度(雨量) 中解像度(土壌) 高解像度(地形) 出典:CS立体図(5mDEMもあり) (http://kouapp.main.jp)
31.
Mask R-CNNによる崩落箇所の抽出 31 崩落箇所予測の教訓 •抽出対象の物体(崩落箇所)が小さすぎる →ズームレベルを14から18に拡大 •データセットの粒度、作成方法が異なる →高解像度・ファクトデータであるCS立体 図のみ使う
32.
Mask R-CNNによる崩落箇所抽出 32 CS立体図 ズームレベル18 →
崩落箇所を抽出できている例もあったが、総じて精度は低い 入力(CS立体図) 正解出力
33.
Mask R-CNNによる崩落箇所抽出 33 CS立体図 ズームレベル18 →
崩落箇所を抽出できている例もあったが、総じて精度は低い 入力(CS立体図) 正解出力
34.
Mask R-CNNによる崩落箇所抽出 34 PNG標高タイル • 標高データをWeb上で高速転送することを主眼にした標高データフォーマット •
一定の可読性のある生データ 西岡芳晴,長津樹理『PNG 標高タイル―Web 利用に適した標高ファイルフォーマットの考案と実装―』 「情報地質」26巻4号, pp.155-163. 2015.
35.
Mask R-CNNによる崩落箇所抽出 35 PNG標高タイル → 崩落箇所を検出しているように見える 入力 (PNG標高タイル)
正解出力
36.
Mask R-CNNによる崩落箇所抽出 36 PNG標高タイル → 誤検出も多い 入力(PNG標高タイル)
正解出力
37.
結果 37 崩落のおそれがある箇所の予測 → さらなる研究が必要 崩落地形の検出 → 入力データによるが、検出はできそう?
38.
考察 38 MS-GANはラベル推定には不向き? 出典:Qi Mao, Hsin-Ying
Lee, (et al.) “Mode-seeking Generative Adversarial Networks for Diverse Image Synthesis.” In (右の4列がMS-GANによる変換画像)
39.
考察 39 検出対象物が十分大きく、データセットが高精細ファクトデータであ れば、Mask R-CNNを用いて崩落箇所を検出できる × 検出対象が小さすぎる データから特徴量を捉えられない ×
データセットの画像が粗すぎる 微細な地形の特徴を捉えられない 粗すぎるデータ (雨量) 小さすぎる検出対象 (ズームレベル14)
40.
今後の展望 40 事前予測:ズームレベルを上げれば… 崩落検出:高精細雨量データ・オルソ画像などと組み合わせれば… 精度向上が期待できる 十分な精度が得られた暁には… 土砂災害発生時に、標高データ(DEM)などのファクトデータから崩 落箇所を自動的に抽出することが可能に • 被災箇所をすばやく把握、災害対応に役立てる
41.
41 地形データ × ディープラーニング ↓ 防災に寄与
42.
42 ご清聴ありがとうございました
Télécharger maintenant