論文の概要: BigEarthNet Dataset with A New Class-Nomenclature for Remote Sensing Image Understanding

• arxiv url: http://arxiv.org/abs/2001.06372v3
• Date: Sun, 13 Jun 2021 15:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 12:36:33.271943
• Title: BigEarthNet Dataset with A New Class-Nomenclature for Remote Sensing Image Understanding
• Title（参考訳）: リモートセンシング画像理解のための新しいクラス命名法を用いたBigEarthNetデータセット
• Authors: Gencer Sumbul, Jian Kang, Tristan Kreuziger, Filipe Marcelino, Hugo Costa, Pedro Benevides, Mario Caetano, Beg\"um Demir
• Abstract要約: 本稿では,大規模なSentinel-2マルチスペクトル画像データセットであるBigEarthNetについて述べる。 BigEarthNetは、2018年のCORINE Land Cover (CLC)マップが提供する複数ラベルの注釈付き590,326の画像パッチで構成されている。 本稿では,センチネル2画像の複雑な空間的およびスペクトル的情報内容について,DLモデルによるより優れた学習と記述を可能にするクラス命名法を提案する。
• 参考スコア（独自算出の注目度）: 1.930511407898565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents BigEarthNet that is a large-scale Sentinel-2 multispectral image dataset with a new class nomenclature to advance deep learning (DL) studies in remote sensing (RS). BigEarthNet is made up of 590,326 image patches annotated with multi-labels provided by the CORINE Land Cover (CLC) map of 2018 based on its most thematic detailed Level-3 class nomenclature. Initial research demonstrates that some CLC classes are challenging to be accurately described by considering only Sentinel-2 images. To increase the effectiveness of BigEarthNet, in this paper we introduce an alternative class-nomenclature to allow DL models for better learning and describing the complex spatial and spectral information content of the Sentinel-2 images. This is achieved by interpreting and arranging the CLC Level-3 nomenclature based on the properties of Sentinel-2 images in a new nomenclature of 19 classes. Then, the new class-nomenclature of BigEarthNet is used within state-of-the-art DL models in the context of multi-label classification. Results show that the models trained from scratch on BigEarthNet outperform those pre-trained on ImageNet, especially in relation to some complex classes including agriculture, other vegetated and natural environments. All DL models are made publicly available at http://bigearth.net/#downloads, offering an important resource to guide future progress on RS image analysis.
• Abstract（参考訳）: 本稿では,大規模sentinel-2マルチスペクトル画像データセットであるbigearthnetについて,遠隔センシング(rs)における深層学習(dl)研究のための新しいクラス命名法を提案する。 BigEarthNetは、2018年のCORINE Land Cover (CLC)マップが提供するマルチラベルで注釈付けされた590,326の画像パッチで構成されている。 初期の研究では、いくつかのCLCクラスはSentinel-2画像のみを考慮して正確に記述することが難しいことが示されている。 本稿では,BigEarthNetの有効性を高めるために,センチネル2画像の複雑な空間的およびスペクトル的情報内容について,DLモデルによる学習と記述を可能にするためのクラス命名法を提案する。 これは、sentinel-2の画像の特性に基づくclcレベル3の命名法を19のクラスからなる新しい命名法で解釈し、配置することで達成される。 そして、BigEarthNetの新しいクラス命名法は、マルチラベル分類の文脈において最先端のDLモデルで使用される。 その結果、bigearthnetでスクラッチからトレーニングされたモデルは、imagenetで事前トレーニングされたモデルよりも優れており、特に農業、その他の植物環境、自然環境を含むいくつかの複雑なクラスに関連している。 すべてのdlモデルはhttp://bigearth.net/#downloadsで公開されており、rs画像解析の今後の進歩を導く重要なリソースを提供している。

関連論文リスト

• reBEN: Refined BigEarthNet Dataset for Remote Sensing Image Analysis [9.308800461569561]
  BigEarthNetは、リモートセンシング画像解析のためのディープラーニング(DL)研究を支援するために構築された、大規模でマルチモーダルなリモートセンシングデータセットである。 reBENデータセットは、Sentinel-1とSentinel-2の画像パッチの549,488対で構成されている。
  論文  参考訳（メタデータ） (2024-07-04T05:48:28Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Exploiting Category Names for Few-Shot Classification with Vision-Language Models [78.51975804319149]
  大規模データに事前訓練された視覚言語基礎モデルは、多くの視覚的理解タスクに強力なツールを提供する。 本稿では,カテゴリ名を用いて分類ヘッドを初期化することにより,少数ショット分類の性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-11-29T21:08:46Z)
• Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
  HSI分類に自己監督学習(SSL)を活用することを提案する。 最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-06-24T07:21:53Z)
• BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
  我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。 我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。 我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
  論文  参考訳（メタデータ） (2022-01-12T20:28:34Z)
• Multi-label Iterated Learning for Image Classification with Label Ambiguity [3.5736176624479654]
  単一ラベルからの多ラベル学習の帰納バイアスを組み込むために,多ラベル反復学習(MILe)を提案する。 MILeは、バイナリ予測を伝搬することにより、画像のマルチラベル記述を構築する、シンプルだが効果的な手順である。 我々は,MILeがラベルノイズを効果的に低減し,WebVisionのような実世界の大規模ノイズデータに対して最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-11-23T22:10:00Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Self-Supervised Learning for Fine-Grained Image Classification [0.0]
  きめ細かいデータセットは通常、分類プロセスを支援するために、クラスラベルとともにバウンディングボックスアノテーションを提供する。 一方、自己教師付き学習では、自由に利用可能なデータを利用してラベルとして機能する監視信号を生成する。 我々の考えは、モデルが微細な画像クラスの有用な表現を学習できるように、自己スーパービジョンを活用することである。
  論文  参考訳（メタデータ） (2021-07-29T14:01:31Z)
• BigEarthNet-MM: A Large Scale Multi-Modal Multi-Label Benchmark Archive for Remote Sensing Image Classification and Retrieval [8.079043927935862]
  本稿では,590,326組のSentinel-1とSentinel-2の画像パッチからなるBigEarthNet(BigEarthNet-MM)ベンチマークアーカイブを提案する。 それぞれのパッチには2018年のcorine land cover(clc)マップで提供される複数のラベルがアノテートされている。
  論文  参考訳（メタデータ） (2021-05-17T15:00:31Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Multi-label Zero-shot Classification by Learning to Transfer from External Knowledge [36.04579549557464]
  マルチラベルゼロショット分類は、入力画像に対する複数の未知のクラスラベルを予測することを目的としている。 本稿では,外部知識の伝達を学習することで,新たなゼロショット分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:26:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。