論文の概要: Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2002.08254v2
• Date: Tue, 28 Apr 2020 13:24:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 14:11:18.179694
• Title: Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities
• Title（参考訳）: 土地被覆地図作成のための衛星画像の微視的セマンティックセグメンテーション -課題と機会-
• Authors: Michael Schmitt, Jonathan Prexl, Patrick Ebel, Lukas Liebel, Xiao Xiang Zhu
• Abstract要約: 完全自動大規模土地被覆マッピングは、リモートセンシングコミュニティが取り組んだ中核的な課題に属する。 近年の衛星観測能力の増大にもかかわらず、正確な訓練データは相容れないままである。 本稿では、弱教師付き学習戦略の適用を事例として、利用可能なデータソースを最大限に活用することを目的とする。
• 参考スコア（独自算出の注目度）: 15.113606982352513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully automatic large-scale land cover mapping belongs to the core challenges addressed by the remote sensing community. Usually, the basis of this task is formed by (supervised) machine learning models. However, in spite of recent growth in the availability of satellite observations, accurate training data remains comparably scarce. On the other hand, numerous global land cover products exist and can be accessed often free-of-charge. Unfortunately, these maps are typically of a much lower resolution than modern day satellite imagery. Besides, they always come with a significant amount of noise, as they cannot be considered ground truth, but are products of previous (semi-)automatic prediction tasks. Therefore, this paper seeks to make a case for the application of weakly supervised learning strategies to get the most out of available data sources and achieve progress in high-resolution large-scale land cover mapping. Challenges and opportunities are discussed based on the SEN12MS dataset, for which also some baseline results are shown. These baselines indicate that there is still a lot of potential for dedicated approaches designed to deal with remote sensing-specific forms of weak supervision.
• Abstract（参考訳）: 完全自動大規模土地被覆マッピングは、リモートセンシングコミュニティが取り組んだ中核的な課題に属する。 通常、このタスクの基礎は(教師あり)機械学習モデルによって形成される。 しかし、最近の衛星観測の可利用性の増加にもかかわらず、正確なトレーニングデータは相容れないままである。 一方で、多くのグローバルな土地被覆製品が存在し、しばしば無償で利用できる。 残念ながら、これらの地図は通常、現在の衛星画像よりもはるかに解像度が低い。 さらに、それらは基礎的真理とはみなされないが、以前の(半自動的な)予測タスクの産物であるため、常にかなりのノイズを伴っている。 そこで本稿では,利用可能なデータソースを最大限に活用し,高解像度土地被覆マッピングの進歩を達成するために,弱い教師付き学習戦略の適用を試みている。 SEN12MSデータセットに基づいて、課題と機会について議論し、いくつかのベースライン結果も示す。 これらのベースラインは、リモートセンシング特有の弱い監視形式に対処するために設計された専用アプローチには、まだ多くの可能性があることを示している。

関連論文リスト

• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• A Self-Supervised Approach to Land Cover Segmentation [1.0878040851638]
  土地利用/土地被覆変化マップ(LULC map)は、地球科学と農業研究において重要な資源である。 このような地図の性質から、LULCマップの作成は、衛星画像やリモートセンシングデータを正確にアノテートするために必要な時間と人的資源によって制約されることが多い。 本稿では,高品質な地中真実ラベルを必要としない土地被覆セグメンテーションの自己管理手法を実証する。
  論文  参考訳（メタデータ） (2023-10-27T16:37:36Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions [0.0]
  本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。 利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
  論文  参考訳（メタデータ） (2020-09-01T02:11:14Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation [4.549831511476249]
  本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。 私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
  論文  参考訳（メタデータ） (2020-04-30T10:23:12Z)

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。