論文の概要: SatImNet: Structured and Harmonised Training Data for Enhanced Satellite Imagery Classification

• arxiv url: http://arxiv.org/abs/2006.10623v2
• Date: Tue, 3 Nov 2020 22:44:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 13:14:30.813720
• Title: SatImNet: Structured and Harmonised Training Data for Enhanced Satellite Imagery Classification
• Title（参考訳）: SatImNet:衛星画像分類のための構造化・調和訓練データ
• Authors: Vasileios Syrris, Ondrej Pesek, Pierre Soille
• Abstract要約: 本稿では,オープンソースのトレーニングデータ管理,統合,データ検索の手順について述べる。 オープントレーニングデータの集合であるSatImNetを提案する。 畳み込みニューラルネットワークに基づく2つのモデリング手法が設計され、衛星画像の分類とセグメンテーションを扱うように構成されている。
• 参考スコア（独自算出の注目度）: 0.32228025627337864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic supervised classification with complex modelling such as deep neural networks requires the availability of representative training data sets. While there exists a plethora of data sets that can be used for this purpose, they are usually very heterogeneous and not interoperable. In this context, the present work has a twofold objective: i) to describe procedures of open-source training data management, integration, and data retrieval, and ii) to demonstrate the practical use of varying source training data for remote sensing image classification. For the former, we propose SatImNet, a collection of open training data, structured and harmonized according to specific rules. For the latter, two modelling approaches based on convolutional neural networks have been designed and configured to deal with satellite image classification and segmentation.
• Abstract（参考訳）: ディープニューラルネットワークのような複雑なモデリングを伴う自動教師付き分類では、代表的トレーニングデータセットが利用可能である必要がある。 この目的のために使用できるデータセットは多数存在するが、それらは通常非常に異質であり、相互運用はできない。 この文脈では、現在の作品には2つの目的がある。 一 オープンソースのトレーニングデータ管理、統合、データ検索の手順を記述すること。 二 リモートセンシング画像分類のための各種ソーストレーニングデータの実用化を実証する。 前者に対しては、特定のルールに従って構造化および調和されたオープントレーニングデータの集合であるSatImNetを提案する。 後者のために、畳み込みニューラルネットワークに基づく2つのモデリングアプローチが設計され、衛星画像の分類とセグメンテーションを扱うように構成されている。

関連論文リスト

• Example-Based Explainable AI and its Application for Remote Sensing Image Classification [0.0]
  入力データに類似したトレーニングデータセットのインスタンスの例を示す。 センチネル2衛星からのリモートセンシング画像データセットを用いて、この概念が実証された。
  論文  参考訳（メタデータ） (2023-02-03T03:48:43Z)
• Self-supervised Pre-training for Semantic Segmentation in an Indoor Scene [8.357801312689622]
  本稿ではセグメンテーションモデルの自己教師型事前学習手法であるRegConsistを提案する。 我々は,対象環境におけるRGBビューからのセマンティックセグメンテーションを予測するために,コントラスト学習の変種を用いてDCNNモデルを訓練する。 提案手法は、ImageNetで事前訓練されたモデルよりも優れており、全く同じタスクでトレーニングされたモデルと異なるデータセットでトレーニングされたモデルを使用する場合の競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-04T20:10:14Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)
• SemI2I: Semantically Consistent Image-to-Image Translation for Domain Adaptation of Remote Sensing Data [7.577893526158495]
  本稿では,新たなデータ拡張手法を提案する。 我々のセマンティックセグメンテーションフレームワークは、まず実際のトレーニングデータからU-netをトレーニングし、次に提案手法によって生成されたテストスタイル化された偽のトレーニングデータに微調整する。
  論文  参考訳（メタデータ） (2020-02-14T09:07:09Z)

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。