論文の概要: Field-Level Crop Type Classification with k Nearest Neighbors: A
Baseline for a New Kenya Smallholder Dataset
- arxiv url: http://arxiv.org/abs/2004.03023v1
- Date: Mon, 6 Apr 2020 22:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 07:12:00.839773
- Title: Field-Level Crop Type Classification with k Nearest Neighbors: A
Baseline for a New Kenya Smallholder Dataset
- Title（参考訳）: k近縁種を用いたフィールドレベル作物型分類:新ケニア小都市データセットのベースライン
- Authors: Hannah Kerner, Catherine Nakalembe, Inbal Becker-Reshef
- Abstract要約: 非定型的な2019年の主要成長期に収集されたケニア西部のデータセットのコンテキストを提供する。
そこで我々は, 高速で解釈可能な, スケーラブルな手法であるNearest Neighborsを用いて, トウモロコシの64%,キャッサバの70%の分類精度を実証した。
- 参考スコア（独自算出の注目度）: 4.83420384410068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate crop type maps provide critical information for ensuring food
security, yet there has been limited research on crop type classification for
smallholder agriculture, particularly in sub-Saharan Africa where risk of food
insecurity is highest. Publicly-available ground-truth data such as the
newly-released training dataset of crop types in Kenya (Radiant MLHub) are
catalyzing this research, but it is important to understand the context of
when, where, and how these datasets were obtained when evaluating
classification performance and using them as a benchmark across methods. In
this paper, we provide context for the new western Kenya dataset which was
collected during an atypical 2019 main growing season and demonstrate
classification accuracy up to 64% for maize and 70% for cassava using k Nearest
Neighbors--a fast, interpretable, and scalable method that can serve as a
baseline for future work.
- Abstract（参考訳）: 正確な作物型地図は食料安全保障の確保に重要な情報を提供するが、特に食料安全保障のリスクが高いサハラ以南のアフリカにおいて、小作農のための作物型分類に関する研究は限られている。
ケニア(radiant mlhub)で新たに発表された作物種別トレーニングデータセットなどの公開データでは、この研究が触媒されているが、分類性能の評価やメソッド間のベンチマークなどにおいて、これらのデータセットがいつ、どこで、どのように得られたのかを理解することが重要である。
本論文では,非定型な2019年主生育期に収集されたケニア西部のデータセットについてコンテキストを提供し,その分類精度を最大64%,近縁種を用いたキャッサバで最大70%,高速で解釈可能でスケーラブルな手法で将来の作業のベースラインとして機能することを示す。
関連論文リスト
- HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - How accurate are existing land cover maps for agriculture in Sub-Saharan Africa? [15.186674512627876]
EOをベースとしたモニタリングシステムでは、作物に関する情報を提供するために正確な作物地図が必要である。
アフリカ諸国の耕作地を最も正確に識別する多くの土地被覆地図のどれかを決定するためのデータが不足している。
論文 参考訳（メタデータ） (2023-07-05T18:17:23Z) - Boosting Crop Classification by Hierarchically Fusing Satellite,
Rotational, and Contextual Data [0.0]
本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。
このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
論文 参考訳（メタデータ） (2023-05-19T21:42:53Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Early- and in-season crop type mapping without current-year ground
truth: generating labels from historical information via a topology-based
approach [6.8222552619003505]
本稿では,異なる作物のトポロジに関する知識を効果的に伝達し,ラベルを生成する手法を提案する。
本研究では,米国中西部のトウモロコシ・ソイビーンと中国北東部の水稲・トウモロコシ・ソイビーンをランドサット8とセンチネル2のデータを用いてマッピングする方法を検討した。
論文 参考訳（メタデータ） (2021-10-19T21:44:02Z) - CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
FSC(Few-shot Classification)は近年のホットな問題の一つである。
事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。
CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
論文 参考訳（メタデータ） (2021-09-07T03:26:24Z) - Two Shifts for Crop Mapping: Leveraging Aggregate Crop Statistics to
Improve Satellite-based Maps in New Regions [11.371275175634413]
多くの地域では、教師付き分類モデルの訓練のために、フィールドレベルの作物ラベルが不足しているため、衛星データを用いた作物型マッピングが依然として制限されている。
そこで本研究では,作物型組成の変化を考慮し,集約レベルの作物統計を用いて分類器を補正する手法を提案する。
本手法は,フランス・オクシタニーおよびケニア西部の作物タイプをLDA(Linear Discriminant Analysis)を用いて地図化することにより,分類精度を大幅に向上させることを示した。
論文 参考訳（メタデータ） (2021-09-02T23:33:03Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z)
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。