論文の概要: Fine grained classification for multi-source land cover mapping
- arxiv url: http://arxiv.org/abs/2004.01963v1
- Date: Sat, 4 Apr 2020 15:49:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 23:19:04.565204
- Title: Fine grained classification for multi-source land cover mapping
- Title(参考訳): マルチソース土地被覆マッピングのための細粒度分類
- Authors: Yawogan Jean Eudes Gbodjo, Dino Ienco, Louise Leroux, Roberto
Interdonato, Raffaelle Gaetano
- Abstract要約: タイムリーで正確な土地利用/土地被覆マッピングはこのビジョンをサポートすることができる。
オブジェクトレベルでのマルチソース土地被覆マッピングに対処する深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 4.9873153106566575
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Nowadays, there is a general agreement on the need to better characterize
agricultural monitoring systems in response to the global changes. Timely and
accurate land use/land cover mapping can support this vision by providing
useful information at fine scale. Here, a deep learning approach is proposed to
deal with multi-source land cover mapping at object level. The approach is
based on an extension of Recurrent Neural Network enriched via an attention
mechanism dedicated to multi-temporal data context. Moreover, a new
hierarchical pretraining strategy designed to exploit specific domain knowledge
available under hierarchical relationships within land cover classes is
introduced. Experiments carried out on the Reunion island - a french overseas
department - demonstrate the significance of the proposal compared to remote
sensing standard approaches for land cover mapping.
- Abstract(参考訳): 今日では、世界的な変化に対応して農業監視システムをより良く特徴付ける必要性に関する一般的な合意がある。
タイムリーかつ正確な土地利用/土地被覆マッピングは、このビジョンを支援することができる。
本稿では,オブジェクトレベルでのマルチソース土地被覆マッピングを扱うための深層学習手法を提案する。
このアプローチは、多時間データコンテキストに特化した注意機構によって強化されたリカレントニューラルネットワークの拡張に基づいている。
さらに,土地被覆クラス内の階層的関係の下で利用可能な特定のドメイン知識を活用するために設計された新しい階層的事前学習戦略を導入する。
フランスの海外部門であるリユニオン島で実施した実験は、土地被覆マッピングのためのリモートセンシング標準アプローチと比較して、提案の意義を示している。
関連論文リスト
- Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic
Forecasting [47.1051445072085]
我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。
我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。
ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
論文 参考訳(メタデータ) (2023-09-20T13:08:34Z) - FedUKD: Federated UNet Model with Knowledge Distillation for Land Use
Classification from Satellite and Street Views [1.7847474813778919]
衛星画像とストリートビュー画像のセマンティックにフェデレートUNetモデルを用いる。
精度は95%以上で,それぞれ17回以上,62回以上のストリートビューと衛星画像に有意なモデル圧縮を実現した。
提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。
論文 参考訳(メタデータ) (2022-12-05T12:14:00Z) - 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) - A Review of Landcover Classification with Very-High Resolution Remotely
Sensed Optical Images-Analysis Unit,Model Scalability and Transferability [4.704131850850489]
ランドカバー分類は、超高解像度(VHR)画像解析において最も難しい課題の1つである。
ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
論文 参考訳(メタデータ) (2022-02-07T16:38:40Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。
世界中の複数地域で作物をマッピングする手法の評価を行った。
論文 参考訳(メタデータ) (2021-05-02T05:39:42Z) - Land Cover Mapping in Limited Labels Scenario: A Survey [13.162846466936994]
土地被覆マッピングは、地球環境の変化を監視し、天然資源を管理するために不可欠です。
従来の分類モデルは、既存の土地被覆製品で利用可能な限られたトレーニングデータに苦しめられている。
本稿では,土地被覆マッピングと機械学習手法における課題の構造化と包括的概要について述べる。
論文 参考訳(メタデータ) (2021-03-03T14:33:29Z) - Exploiting latent representation of sparse semantic layers for improved
short-term motion prediction with Capsule Networks [0.12183405753834559]
本稿では,HD(High-Definition)マップの小さな領域に対応するスパースなセマンティクス層の階層的表現を学習する文脈において,Capsule Networks(CapsNets)の利用を検討する。
CapsNetsに基づくアーキテクチャを使用することで、検出された画像内の特徴間の階層的関係を維持すると同時に、プール操作によってしばしば発生する空間データの損失を防ぐことができる。
本モデルでは,ネットワーク全体の規模を大幅に削減しつつ,予測に関する最近の研究よりも大幅な改善を実現していることを示す。
論文 参考訳(メタデータ) (2021-03-02T11:13:43Z) - Weakly-Supervised Multi-Level Attentional Reconstruction Network for
Grounding Textual Queries in Videos [73.4504252917816]
ビデオ中のテキストクエリを時間的にグラウンド化するタスクは、与えられたクエリに意味的に対応する1つのビデオセグメントをローカライズすることである。
既存のアプローチのほとんどは、トレーニングのためのセグメント-セマンスペア(時間アノテーション)に依存しており、通常は現実のシナリオでは利用できない。
トレーニング段階では,映像文ペアのみに依存するマルチレベル注意再構築ネットワーク(MARN)と呼ばれる,効果的な弱教師付きモデルを提案する。
論文 参考訳(メタデータ) (2020-03-16T07:01:01Z) - Global Context-Aware Progressive Aggregation Network for Salient Object
Detection [117.943116761278]
我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。
提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-02T04:26:10Z)
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。