Suche senden
Hochladen
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 gefällt mir
•
1,539 views
Ryousuke Wayama
Folgen
FOSS4G 2019 NIIGATAで発表させていただいた資料となります。
Weniger lesen
Mehr lesen
Software
Melden
Teilen
Melden
Teilen
1 von 42
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
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
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
Cesiumマニアックス― Revenge ―
Cesiumマニアックス― Revenge ―
Ryousuke Wayama
FOSS4GとOSMを使って 「逃げ地図」のようなものをつくってみる!
FOSS4GとOSMを使って 「逃げ地図」のようなものをつくってみる!
IWASAKI NOBUSUKE
Qgis raster 3.16
Qgis raster 3.16
Jyun Tanaka
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
Iwami Kazuya
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
Empfohlen
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
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
Cesiumマニアックス― Revenge ―
Cesiumマニアックス― Revenge ―
Ryousuke Wayama
FOSS4GとOSMを使って 「逃げ地図」のようなものをつくってみる!
FOSS4GとOSMを使って 「逃げ地図」のようなものをつくってみる!
IWASAKI NOBUSUKE
Qgis raster 3.16
Qgis raster 3.16
Jyun Tanaka
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
Iwami Kazuya
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
Toru Tamaki
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
中洞 友希
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
Kitsukawa Yuki
ROSによるロボットソフトウェアの開発
ROSによるロボットソフトウェアの開発
Yuji Yamauchi
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
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
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
Katsuki Ohto
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
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
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
Masahiro Tsukano
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
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
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
Masaya Kaneko
オープンソース SLAM の分類
オープンソース SLAM の分類
Yoshitaka HARA
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
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
Weitere ähnliche Inhalte
Was ist angesagt?
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
中洞 友希
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
Kitsukawa Yuki
ROSによるロボットソフトウェアの開発
ROSによるロボットソフトウェアの開発
Yuji Yamauchi
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
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
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
Katsuki Ohto
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
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
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
Depth Estimation論文紹介
Depth Estimation論文紹介
Keio Robotics Association
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
Masahiro Tsukano
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
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
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
Masaya Kaneko
オープンソース SLAM の分類
オープンソース SLAM の分類
Yoshitaka HARA
Was ist angesagt?
(20)
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
【FOSS4G 2016 Hokkaido】Cesiumマニアックス
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
ROSによるロボットソフトウェアの開発
ROSによるロボットソフトウェアの開発
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
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
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
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
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
Depth Estimation論文紹介
Depth Estimation論文紹介
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
Visual-SLAM技術を利用した果樹園の3次元圃場地図の作成
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
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
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
オープンソース SLAM の分類
オープンソース SLAM の分類
Mehr von 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
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
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
Mehr von Ryousuke Wayama
(6)
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
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
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
Jetzt herunterladen