論文の概要: TrueBranch: Metric Learning-based Verification of Forest Conservation Projects

• arxiv url: http://arxiv.org/abs/2004.09725v1
• Date: Tue, 21 Apr 2020 02:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:40:04.128736
• Title: TrueBranch: Metric Learning-based Verification of Forest Conservation Projects
• Title（参考訳）: TrueBranch: メトリクス学習に基づく森林保全プロジェクトの検証
• Authors: Simona Santamaria, David Dao, Bj\"orn L\"utjens, Ce Zhang
• Abstract要約: 本研究では,森林保全プロジェクトにおけるドローン画像の真正性を検証するために,計量学習に基づくアルゴリズムを提案する。 TrueBranchは、非合法に報告されたドローン画像と公共の衛星画像とをマッチングして検出することを目指している。
• 参考スコア（独自算出の注目度）: 11.924490765905169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: International stakeholders increasingly invest in offsetting carbon emissions, for example, via issuing Payments for Ecosystem Services (PES) to forest conservation projects. Issuing trusted payments requires a transparent monitoring, reporting, and verification (MRV) process of the ecosystem services (e.g., carbon stored in forests). The current MRV process, however, is either too expensive (on-ground inspection of forest) or inaccurate (satellite). Recent works propose low-cost and accurate MRV via automatically determining forest carbon from drone imagery, collected by the landowners. The automation of MRV, however, opens up the possibility that landowners report untruthful drone imagery. To be robust against untruthful reporting, we propose TrueBranch, a metric learning-based algorithm that verifies the truthfulness of drone imagery from forest conservation projects. TrueBranch aims to detect untruthfully reported drone imagery by matching it with public satellite imagery. Preliminary results suggest that nominal distance metrics are not sufficient to reliably detect untruthfully reported imagery. TrueBranch leverages metric learning to create a feature embedding in which truthfully and untruthfully collected imagery is easily distinguishable by distance thresholding.
• Abstract（参考訳）: 国際的な利害関係者は、例えば森林保全プロジェクトに対して、PES(Payments for Ecosystem Services)の発行を通じて、二酸化炭素排出量の相殺に投資している。 信頼できる支払いを発行するには、生態系サービス(例えば森林に蓄えられた炭素)の透明な監視、報告、検証(MRV)プロセスが必要である。 しかし、現在のMRVプロセスは高価すぎる(森林の地上検査)か不正確な(サテライト)かのいずれかである。 近年の研究では、土地所有者が収集したドローン画像から森林炭素を自動的に判定することで、低コストで正確なMRVを提案する。 MRVの自動化は、土地所有者が非現実的なドローン映像を報告する可能性を開く。 本稿では,森林保全プロジェクトから得られたドローン画像の真偽を検証した,計量学習に基づくアルゴリズムであるTrueBranchを提案する。 TrueBranchは、非合法に報告されたドローン画像と公共の衛星画像とをマッチングして検出することを目指している。 予備的な結果は、名目距離の指標が不確実に報告された画像を確実に検出するのに十分なものではないことを示唆している。 TrueBranchはメトリクス学習を活用して,真にかつ非現実的に収集された画像が,距離閾値によって容易に識別可能な機能埋め込みを生成する。

関連論文リスト

• Drone Stereo Vision for Radiata Pine Branch Detection and Distance Measurement: Integrating SGBM and Segmentation Models [4.730379319834545]
  本研究では,専用プルーニングツールとステレオビジョンカメラを備えたドローン式プルーニングシステムの開発を提案する。 YOLOやMask R-CNNを含むディープラーニングアルゴリズムは、正確な分岐検出を保証するために使用される。 これらの技術間の相乗効果により、分岐位置の正確な同定が容易になり、効率的で標的とした刈り取りが可能となる。
  論文  参考訳（メタデータ） (2024-09-26T04:27:44Z)
• Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery [0.0]
  衛星は森林の消失を認識し、関心領域の拡大を防ぐために使用できる。 フォレスト・ノン・フォレスト・マップ (FNF) はセンチネル画像入力モデルの基礎的真理として用いられている。 森林と非森林を分類するモデルは、森林破壊の起こりうる場所を予測するためにオープンデータセットを使用して、この地域の森林と非森林のピクセルを分類する。
  論文  参考訳（メタデータ） (2024-09-16T14:26:41Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• MultiEarth 2022 Deforestation Challenge -- ForestGump [0.0]
  従来のUNetと包括的データ処理を用いた森林破壊推定手法を提案する。 Sentinel-1、Sentinel-2、Landsat 8の様々なチャネルが慎重に選択され、ディープニューラルネットワークのトレーニングに使用される。 提案手法では,新しいクエリの森林破壊状況を高精度に推定する。
  論文  参考訳（メタデータ） (2022-06-22T04:10:07Z)
• ReforesTree: A Dataset for Estimating Tropical Forest Carbon Stock with Deep Learning and Aerial Imagery [19.216734550056817]
  ReforesTree(ReforesTree)はエクアドルの6カ所の森林炭素指数のベンチマークデータセットである。 低コストのRGB専用ドローン画像から個々の木を検出する深層学習に基づくエンド・ツー・エンドモデルが、公式の炭素オフセット認定基準内で森林炭素ストックを正確に推定していることを示す。
  論文  参考訳（メタデータ） (2022-01-26T21:27:57Z)
• IS-COUNT: Large-scale Object Counting from Satellite Images with Covariate-based Importance Sampling [90.97859312029615]
  本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。 提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-16T18:59:29Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Tackling the Overestimation of Forest Carbon with Deep Learning and Aerial Imagery [13.97765383479824]
  本論文は,航空画像,衛星画像,地中構造観測から森林炭素推定を初めて体系的に比較したものである。 航空画像の収集は著しく高価であり,高分解能が森林炭素推定をどの程度改善するかは定かでない。 以上の結果から,衛星画像による森林炭素推定は,熱帯再植林計画において10回以上も過大評価可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-23T15:59:52Z)
• Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery [59.32805936205217]
  牛の農業は世界の温室効果ガス排出量の8.8%を占めている。 40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。 本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
  論文  参考訳（メタデータ） (2020-11-14T19:07:39Z)
• Towards Image-based Automatic Meter Reading in Unconstrained Scenarios: A Robust and Efficient Approach [60.63996472100845]
  本稿では,制約のないシナリオに着目したAMR(Automatic Meter Reading)のエンドツーエンドアプローチを提案する。 我々の主な貢献は、コーナー検出とカウンタ分類と呼ばれる新しいステージをAMRパイプラインに挿入することである。 信頼度が低い読みを拒絶した場合,AMRシステムは印象的な認識率(すなわち99%)を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-21T21:21:23Z)
• Deploying machine learning to assist digital humanitarians: making image annotation in OpenStreetMap more efficient [72.44260113860061]
  本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。 提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2020-09-17T10:05:30Z)

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。