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
- 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) - High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。
本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。
複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。
パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
論文 参考訳(メタデータ) (2023-04-05T17:43:57Z) - Combining Deep Metric Learning Approaches for Aerial Scene
Classification [0.0]
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) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳(メタデータ) (2020-12-15T22:58:23Z) - A Novel Spatial-Spectral Framework for the Classification of
Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。
提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文 参考訳(メタデータ) (2020-07-22T16:12:08Z) - 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。