Enhancement of Urban Floodwater Mapping From Aerial Imagery With Dense Shadows via Semisupervised Learning
Notice bibliographique
Résumé
Timely and accurate mapping of floodwater in urban areas from aerial imagery is critical to support emergency response and rescue work. However, massive shadows cast by buildings and trees over dense built-up urban areas can cause a significant underestimation of flood outcomes, and few studies for flood monitoring explore this in current state-of-the-art approaches. Meanwhile, recent deep learning (DL) algorithms have reported superior performance in flood mapping over conventional machine learning methods. Nevertheless, acquiring a large amount of training data remains challenging in the DL paradigm. In this study, to exploit the potential of the DL algorithm in detecting all visible (including shadowed and nonshadowed) floodwater with limited training samples from aerial imagery, we designed a modified fully convolutional network and combined it with a deep semisupervised learning framework integrating consistency regularization and RandMix strategy into the floodwater detection workflow. Besides, the test-time augmentation technique was leveraged to improve the model performance in the evaluation phase. Extensive experiments on the 2013 Calgary flood demonstrated the effectiveness of our approach on extracting visible floodwater in urban areas with dense shadows. Notably, our method could accurately detect more floodwater with a largely reduced number of labeled training samples, which is a considerable enhancement in the applicability and availability of DL algorithms for flood monitoring in densely shadowed urban areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».