論文の概要: Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification
- arxiv url: http://arxiv.org/abs/2003.02899v1
- Date: Thu, 5 Mar 2020 20:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:26:39.015591
- Title: Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification
- Title（参考訳）: U-Netモデルを用いた土地被覆分類のための衛星画像の分割
- Authors: Priit Ulmas and Innar Liiv
- Abstract要約: 本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The focus of this paper is using a convolutional machine learning model with
a modified U-Net structure for creating land cover classification mapping based
on satellite imagery. The aim of the research is to train and test
convolutional models for automatic land cover mapping and to assess their
usability in increasing land cover mapping accuracy and change detection. To
solve these tasks, authors prepared a dataset and trained machine learning
models for land cover classification and semantic segmentation from satellite
images. The results were analysed on three different land classification
levels. BigEarthNet satellite image archive was selected for the research as
one of two main datasets. This novel and recent dataset was published in 2019
and includes Sentinel-2 satellite photos from 10 European countries made in
2017 and 2018. As a second dataset the authors composed an original set
containing a Sentinel-2 image and a CORINE land cover map of Estonia. The
developed classification model shows a high overall F\textsubscript{1} score of
0.749 on multiclass land cover classification with 43 possible image labels.
The model also highlights noisy data in the BigEarthNet dataset, where images
seem to have incorrect labels. The segmentation models offer a solution for
generating automatic land cover mappings based on Sentinel-2 satellite images
and show a high IoU score for land cover classes such as forests, inland waters
and arable land. The models show a capability of increasing the accuracy of
existing land classification maps and in land cover change detection.
- Abstract（参考訳）: 本稿では,衛星画像に基づく土地被覆分類マッピングを作成するために,u-net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は,自動土地被覆マッピングのための畳み込みモデルの訓練とテストを行い,土地被覆マッピング精度の向上と変化検出における有用性を評価することである。
これらの課題を解決するため、サテライト画像からの土地被覆分類とセマンティックセグメンテーションのためのデータセットと訓練された機械学習モデルを構築した。
結果は3つの異なる土地分類レベルで分析された。
bigearthnet衛星画像アーカイブは、2つの主要なデータセットの1つとして研究に選ばれました。
この小説と最近のデータセットは2019年に公開され、2017年と2018年に作られた10のヨーロッパ諸国のSentinel-2衛星写真が含まれている。
第2のデータセットとして、著者らは、エストニアのsentinel-2イメージとcorine land cover mapを含むオリジナルセットを構成した。
開発した分類モデルは、43のイメージラベルを持つ多クラス土地被覆分類において、F\textsubscript{1}スコアが0.749であることを示す。
このモデルは、イメージが誤ったラベルを持っているように見えるbigearthnetデータセットのノイズデータも強調する。
セグメンテーションモデルは、Sentinel-2衛星画像に基づいて自動土地被覆マッピングを生成するソリューションを提供し、森林、内陸、耕作地などの土地被覆クラスに対して高いIoUスコアを示す。
モデルでは,既存の土地分類図の精度と土地被覆変化の検出精度が向上することを示す。
関連論文リスト
- OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。
データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
論文 参考訳（メタデータ） (2024-10-30T17:56:02Z) - Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework [9.803861474101957]
我々は,高解像度土地被覆マッピングの新しいクラスを更新するために,セグメンテーションに基づくセグメンテーションベースのフレームワークSegLandを提案する。
このフレームワークはOpenEarthMap Land Cover Mapping Few-Shot Challengeのリーダーボードで優勝した。
論文 参考訳（メタデータ） (2024-04-19T09:01:58Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Generate Your Own Scotland: Satellite Image Generation Conditioned on
Maps [5.49341063007719]
本研究では,現在最先端の事前学習拡散モデルが地図データ上で条件付けされ,現実的な衛星画像が生成可能であることを示す。
2つの大きなOpenStreetMapイメージのデータセットと、メインランド・スコットランドとセントラル・ベルト地域の衛星ビューを提供する。
論文 参考訳（メタデータ） (2023-08-31T11:44:40Z) - CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle
Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。
内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。
グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文 参考訳（メタデータ） (2023-07-24T11:59:07Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - 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) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。
複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。
実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文 参考訳（メタデータ） (2021-04-14T17:16:35Z) - Land Cover Semantic Segmentation Using ResUNet [0.0]
本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2020-10-13T10:56:09Z) - Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。
最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文 参考訳（メタデータ） (2020-05-12T10:03:20Z)
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。