Fugu-MT 論文翻訳(概要): Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN)

論文の概要: Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN)

arxiv url: http://arxiv.org/abs/2004.12880v2
Date: Tue, 5 May 2020 10:28:07 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 05:13:17.345078
Title: Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN)
Title（参考訳）: recurrent-convolutional neural network (r-cnn) を用いたセンチネル2データからの時間的特徴学習に基づく土地被覆と作物分類の改善
Authors: Vittorio Mazzia, Aleem Khaliq, Marcello Chiaberge
Abstract要約: 本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。本研究では,主要農作物を含む15種について検討した。提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
参考スコア（独自算出の注目度）: 1.0312968200748118
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increasing spatial and temporal resolution of globally available satellite images, such as provided by Sentinel-2, creates new possibilities for researchers to use freely available multi-spectral optical images, with decametric spatial resolution and more frequent revisits for remote sensing applications such as land cover and crop classification (LC&CC), agricultural monitoring and management, environment monitoring. Existing solutions dedicated to cropland mapping can be categorized based on per-pixel based and object-based. However, it is still challenging when more classes of agricultural crops are considered at a massive scale. In this paper, a novel and optimal deep learning model for pixel-based LC&CC is developed and implemented based on Recurrent Neural Networks (RNN) in combination with Convolutional Neural Networks (CNN) using multi-temporal sentinel-2 imagery of central north part of Italy, which has diverse agricultural system dominated by economic crop types. The proposed methodology is capable of automated feature extraction by learning time correlation of multiple images, which reduces manual feature engineering and modeling crop phenological stages. Fifteen classes, including major agricultural crops, were considered in this study. We also tested other widely used traditional machine learning algorithms for comparison such as support vector machine SVM, random forest (RF), Kernal SVM, and gradient boosting machine, also called XGBoost. The overall accuracy achieved by our proposed Pixel R-CNN was 96.5%, which showed considerable improvements in comparison with existing mainstream methods. This study showed that Pixel R-CNN based model offers a highly accurate way to assess and employ time-series data for multi-temporal classification tasks.
Abstract（参考訳）: sentinel-2のような地球規模で利用可能な衛星画像の空間的・時間的分解能の増加は、研究者が自由に利用可能なマルチスペクトル光学画像を使用する新たな可能性を生み出し、デカメトリックな空間分解と、土地被覆や作物分類(lc&cc)、農業の監視と管理、環境モニタリングといったリモートセンシングアプリケーションに対するより頻繁な再訪をもたらす。既存の土地マッピング専用のソリューションは、ピクセル単位とオブジェクト単位に基づいて分類することができる。しかし、大規模に農作物の分類が検討される場合、依然として困難である。本稿では,多種多様な農業システムを有するイタリア中部のsentinel-2画像を用いた畳み込みニューラルネットワーク (cnn) と再帰ニューラルネットワーク (recurrent neural network, rnn) を組み合わせた,画素ベースlc&ccのための新しい最適深層学習モデルを開発し,実装する。提案手法は,複数画像の時間相関を学習することで自動特徴抽出が可能であり,手動の特徴工学や作物の表現段階のモデル化が可能である。本研究では,主要農作物を含む15種について検討した。また、ベクトルマシンSVM、ランダムフォレスト(RF)、カーナルSVM、勾配向上マシン(XGBoostとも呼ばれる)など、他の広く使われている機械学習アルゴリズムとの比較も行った。提案する画素r-cnnによる全体的な精度は96.5%であり、従来の主流方式に比べてかなり向上した。本研究では,画素r-cnnモデルを用いて,時系列データの評価と活用を高精度に行えることを示す。

関連論文リスト

Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文参考訳（メタデータ） (2024-07-24T09:11:34Z)
Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product [0.0]
本研究の目的は,農業用深層学習によるRGB画像からのハイパースペクトル画像の再構成である。アルゴリズムは、RGB画像からのハイパースペクトル画像を正確に再構成し、その結果のスペクトルは、地上構造と密接に一致した。これらの知見は,様々な農業用ツールとして,ディープラーニングに基づくハイパースペクトル画像再構成の可能性を強調した。
論文参考訳（メタデータ） (2024-05-20T18:15:20Z)
SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution [3.717258819781834]
本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
論文参考訳（メタデータ） (2023-07-11T18:07:25Z)
Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文参考訳（メタデータ） (2023-03-17T18:00:27Z)
Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文参考訳（メタデータ） (2022-09-28T18:51:59Z)
Explicitly incorporating spatial information to recurrent networks for agriculture [4.583080280213959]
本稿では,深層畳み込みニューラルネットワークの分類を改善するための新しい手法を提案する。利用可能なRGB-D画像とロボット・オドメトリーを利用してフレーム間特徴マップ空間登録を行う。この情報は、その正確さと堅牢性を改善するために、繰り返し学習されたモデル内で融合される。
論文参考訳（メタデータ） (2022-06-27T15:57:42Z)
Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文参考訳（メタデータ） (2022-06-20T10:05:38Z)
Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
論文参考訳（メタデータ） (2021-04-20T21:18:16Z)
Spatial Dependency Networks: Neural Layers for Improved Generative Image Modeling [79.15521784128102]
画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
論文参考訳（メタデータ） (2021-03-16T07:01:08Z)
Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文参考訳（メタデータ） (2020-12-07T16:23:13Z)
Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification [11.399460655843496]
本稿では,リモートセンシング画像の情報,すなわち地理緯度-経度情報を利用する新しい手法を提案する。デュアルブランチ畳み込みニューラルネットワーク(CNN)分類法は,画像の画素特徴をマイニングするためのグローバル情報と組み合わせて設計されている。高スペクトル画像(HSI)とポラリメトリック合成開口レーダ(PolSAR)画像(PolSAR)の2つのリモートセンシング画像を用いて本手法の有効性を検証した。
論文参考訳（メタデータ） (2020-05-30T10:00:10Z)

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。