論文の概要: Bayesian aggregation improves traditional single image crop classification approaches

• arxiv url: http://arxiv.org/abs/2004.03468v1
• Date: Tue, 7 Apr 2020 15:14:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 23:29:50.602498
• Title: Bayesian aggregation improves traditional single image crop classification approaches
• Title（参考訳）: ベイズ集約は伝統的な単画像作物分類アプローチを改善する
• Authors: Ivan Matvienko, Mikhail Gasanov, Anna Petrovskaia, Raghavendra Belur Jana, Maria Pukalchik, Ivan Oseledets
• Abstract要約: 1つの衛星画像で作物を分類するための古典的MLアプローチとU-Net NNの比較を示す。 単一の衛星画像の作物分類の最良の結果は、全体的な精度77.4%、マクロF1スコア0.66の勾配上昇のために達成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) methods and neural networks (NN) are widely implemented for crop types recognition and classification based on satellite images. However, most of these studies use several multi-temporal images which could be inapplicable for cloudy regions. We present a comparison between the classical ML approaches and U-Net NN for classifying crops with a single satellite image. The results show the advantages of using field-wise classification over pixel-wise approach. We first used a Bayesian aggregation for field-wise classification and improved on 1.5% results between majority voting aggregation. The best result for single satellite image crop classification is achieved for gradient boosting with an overall accuracy of 77.4% and macro F1-score 0.66.
• Abstract（参考訳）: 機械学習(ML)手法とニューラルネットワーク(NN)は、衛星画像に基づく作物の分類と認識のために広く実装されている。 しかし、これらの研究のほとんどは、曇りの領域には適用できない複数の時間的画像を使用している。 1つの衛星画像で作物を分類するための古典的MLアプローチとU-Net NNの比較を示す。 その結果,画素分割によるフィールドワイズ分類の利点が示された。 まず、フィールドワイド分類にベイズ集計を用い、多数決集計の1.5%で改善した。 単一の衛星画像作物分類の最良の結果は、全体的な精度77.4%とマクロf1-score 0.66である。

関連論文リスト

• Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context [0.0]
  本稿では,Sentinel-2マルチスペクトル衛星画像時系列を用いた木種分類について検討する。 ディープラーニングモデルを使用することで,分類結果の大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2024-08-05T13:44:42Z)
• Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
  No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。 提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:14:23Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Creating Ensembles of Classifiers through UMDA for Aerial Scene Classification [0.8049701904919515]
  リモートセンシング領域では、CNNアーキテクチャを代替ソリューションとして使用することもシーン分類タスクの現実である。 本研究は,6つのDML手法を空撮シーン分類タスクに適用し,その動作を4種類の事前学習CNNを用いて解析することを提案する。 実験では、従来の訓練済みCNNと比較して、DMLアプローチよりも優れた分類結果が得られる。
  論文  参考訳（メタデータ） (2023-03-20T18:49:39Z)
• RapidAI4EO: Mono- and Multi-temporal Deep Learning models for Updating the CORINE Land Cover Product [0.36265845593635804]
  単時間(単時間ステップ)の衛星画像と比較し,複数時間(月次)の性能評価を行った。 LSTMモデルを用いて、衛星からのマルチ時間信号がLCC分類を改善するか否かを評価する。
  論文  参考訳（メタデータ） (2022-10-26T11:08:13Z)
• With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
  対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。 提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
  論文  参考訳（メタデータ） (2021-04-29T17:56:08Z)
• Robust Pollen Imagery Classification with Generative Modeling and Mixup Training [0.0]
  本論文では,花粉の航空画像分類を一般化できる,堅牢な深層学習フレームワークを提案する。 我々は,畳み込みニューラルネットワークを用いた花粉の粒度分類手法を開発し,ディープラーニングのベストプラクティスを組み合わせることで,より一般化する。 提案されたアプローチは、ICPR-2020 Pollen Grain Classification Challengeの最終ランキングで4位となった。
  論文  参考訳（メタデータ） (2021-02-25T19:39:24Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
  我々は、MAD(Maximum Discrepancy)コンペティションを命名する。 任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。 結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
  論文  参考訳（メタデータ） (2020-02-25T03:32:29Z)
• Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation [109.89213619785676]
  各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。 既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。 有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
  論文  参考訳（メタデータ） (2020-01-23T18:55:43Z)

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。