論文の概要: Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation

• arxiv url: http://arxiv.org/abs/2004.14672v1
• Date: Thu, 30 Apr 2020 10:23:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 05:10:56.874448
• Title: Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation
• Title（参考訳）: 空間解釈を用いた衛星画像時系列データに対する注意弱教師付き土地被覆マッピング
• Authors: Dino Ienco, Yawogan Jean Eudes Gbodjo, Roberto Interdonato, and Raffaele Gaetano
• Abstract要約: 本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。 私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
• 参考スコア（独自算出の注目度）: 4.549831511476249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, modern Earth Observation systems continuously collect massive amounts of satellite information. The unprecedented possibility to acquire high resolution Satellite Image Time Series (SITS) data (series of images with high revisit time period on the same geographical area) is opening new opportunities to monitor the different aspects of the Earth Surface but, at the same time, it is raising up new challenges in term of suitable methods to analyze and exploit such huge amount of rich and complex image data. One of the main task associated to SITS data analysis is related to land cover mapping where satellite data are exploited via learning methods to recover the Earth Surface status aka the corresponding land cover classes. Due to operational constraints, the collected label information, on which machine learning strategies are trained, is often limited in volume and obtained at coarse granularity carrying out inexact and weak knowledge that can affect the whole process. To cope with such issues, in the context of object-based SITS land cover mapping, we propose a new deep learning framework, named TASSEL (aTtentive weAkly Supervised Satellite image time sEries cLassifier), that is able to intelligently exploit the weak supervision provided by the coarse granularity labels. Furthermore, our framework also produces an additional side-information that supports the model interpretability with the aim to make the black box gray. Such side-information allows to associate spatial interpretation to the model decision via visual inspection.
• Abstract（参考訳）: 現在、現代の地球観測システムは大量の衛星情報を継続的に収集している。 高解像度衛星画像時系列(SITS)データを取得するという前例のない可能性(同じ地理的領域における高解像度の高解像度画像シリーズ)は、地球表面の異なる側面をモニタリングする新たな機会を開く一方で、そのような膨大なリッチで複雑な画像データを分析・活用するための適切な方法として、新たな課題を提起している。 SITSデータ解析に関連する主な課題の1つは、衛星データを学習方法で利用し、対応する土地被覆クラスである地球表面状態を回復する土地被覆マッピングに関するものである。 運用上の制約のため、収集されたラベル情報は、機械学習戦略を訓練するものであり、しばしばボリュームが制限され、プロセス全体に影響を与える不正確で弱い知識を実行する粗い粒度で得られる。 このような問題に対処するために,オブジェクトベースの土地被覆マッピングの文脈において,粗粒度ラベルによる弱い監視をインテリジェントに活用可能なtassel(attentive weak-supervised satellite image time series classificationifier)という新しいディープラーニングフレームワークを提案する。 さらに、我々のフレームワークはブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。 このような側面情報により、視覚検査によって空間的解釈とモデル決定を関連付けることができる。

関連論文リスト

• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• Deep Learning for Satellite Image Time Series Analysis: A Review [5.882962965835289]
  本稿では,SITSデータから環境,農業,その他の地球観測変数をモデル化する最先端の手法について,深層学習法を用いて概説する。
  論文  参考訳（メタデータ） (2024-04-05T07:44:17Z)
• Knowledge distillation with Segment Anything (SAM) model for Planetary Geological Mapping [0.7266531288894184]
  本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。 主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。 このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
  論文  参考訳（メタデータ） (2023-05-12T16:30:58Z)
• 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)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
  本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。 これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
  論文  参考訳（メタデータ） (2022-05-16T14:35:48Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities [15.113606982352513]
  完全自動大規模土地被覆マッピングは、リモートセンシングコミュニティが取り組んだ中核的な課題に属する。 近年の衛星観測能力の増大にもかかわらず、正確な訓練データは相容れないままである。 本稿では、弱教師付き学習戦略の適用を事例として、利用可能なデータソースを最大限に活用することを目的とする。
  論文  参考訳（メタデータ） (2020-02-19T16:01:25Z)

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。