論文の概要: On Creating Benchmark Dataset for Aerial Image Interpretation: Reviews,
Guidances and Million-AID
- arxiv url: http://arxiv.org/abs/2006.12485v2
- Date: Tue, 30 Mar 2021 10:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:32:46.857925
- Title: On Creating Benchmark Dataset for Aerial Image Interpretation: Reviews,
Guidances and Million-AID
- Title(参考訳): 航空画像解釈のためのベンチマークデータセット作成について:レビュー,ガイダンス,数百万AID
- Authors: Yang Long, Gui-Song Xia, Shengyang Li, Wen Yang, Michael Ying Yang,
Xiao Xiang Zhu, Liangpei Zhang, Deren Li
- Abstract要約: 本稿では,RS画像解釈に適したベンチマークデータセットを効率的に作成する方法の問題点について論じる。
本稿ではまず,文献計測によるRS画像解釈のためのインテリジェントアルゴリズム開発における課題について分析する。
提案したガイダンスに続いて、RSイメージデータセットの構築例、すなわち、新しい大規模ベンチマークデータセットであるMario-AIDも提供する。
- 参考スコア(独自算出の注目度): 57.71601467271486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The past years have witnessed great progress on remote sensing (RS) image
interpretation and its wide applications. With RS images becoming more
accessible than ever before, there is an increasing demand for the automatic
interpretation of these images. In this context, the benchmark datasets serve
as essential prerequisites for developing and testing intelligent
interpretation algorithms. After reviewing existing benchmark datasets in the
research community of RS image interpretation, this article discusses the
problem of how to efficiently prepare a suitable benchmark dataset for RS image
interpretation. Specifically, we first analyze the current challenges of
developing intelligent algorithms for RS image interpretation with bibliometric
investigations. We then present the general guidances on creating benchmark
datasets in efficient manners. Following the presented guidances, we also
provide an example on building RS image dataset, i.e., Million-AID, a new
large-scale benchmark dataset containing a million instances for RS image scene
classification. Several challenges and perspectives in RS image annotation are
finally discussed to facilitate the research in benchmark dataset construction.
We do hope this paper will provide the RS community an overall perspective on
constructing large-scale and practical image datasets for further research,
especially data-driven ones.
- Abstract(参考訳): 過去数年間、リモートセンシング(RS)画像解釈とその幅広い応用に大きな進歩が見られた。
RS画像がこれまで以上にアクセスしやすくなってきたため、これらの画像の自動解釈に対する需要が高まっている。
この文脈では、ベンチマークデータセットはインテリジェントな解釈アルゴリズムの開発とテストのための必須条件となる。
本稿では、rs画像解釈研究コミュニティにおける既存のベンチマークデータセットをレビューした後、rs画像解釈に適したベンチマークデータセットを効率的に作成する方法の問題について議論する。
具体的には、まず、文献計測によるRS画像解釈のためのインテリジェントアルゴリズムを開発する際の課題を分析する。
次に、効率的な方法でベンチマークデータセットを作成するための一般的なガイダンスを示す。
提案するガイダンスに従って、rsイメージシーン分類の100万インスタンスを含む、新しい大規模ベンチマークデータセットであるm million-aid(リンク)という、rsイメージデータセットの構築例も提供します。
RS画像アノテーションにおけるいくつかの課題と視点を最終的に議論し、ベンチマークデータセット構築の研究を促進する。
この論文は、特にデータ駆動型の研究のために、大規模で実用的な画像データセットを構築するための全体的な視点をrsコミュニティに提供することを望んでいる。
関連論文リスト
- SciMMIR: Benchmarking Scientific Multi-modal Information Retrieval [64.03631654052445]
科学領域内の画像テキストペアリングにおけるMMIR性能を評価するための最新のベンチマークは、顕著なギャップを示している。
オープンアクセス用紙コレクションを利用した特殊な科学的MMIRベンチマークを開発する。
このベンチマークは、科学的文書に詳細なキャプションのある数字や表から抽出された、530Kの精巧にキュレートされた画像テキストペアからなる。
論文 参考訳(メタデータ) (2024-01-24T14:23:12Z) - RSGPT: A Remote Sensing Vision Language Model and Benchmark [7.279747655485913]
高品質なリモートセンシング画像キャプチャーデータセット(RSICap)を構築する。
このデータセットは、リッチで高品質な情報を備えた2,585の人称注釈付きキャプションからなる。
また、RSIEvalと呼ばれるベンチマーク評価データセットも提供します。
論文 参考訳(メタデータ) (2023-07-28T02:23:35Z) - JourneyDB: A Benchmark for Generative Image Understanding [89.02046606392382]
生成画像の領域に適合する包括的データセットであるJourneyDBを導入する。
精巧にキュレートされたデータセットは、400万の異なる高品質な画像で構成されています。
本データセットでは,生成した画像の理解性能を評価するための4つのベンチマークを考案した。
論文 参考訳(メタデータ) (2023-07-03T02:39:08Z) - RRSIS: Referring Remote Sensing Image Segmentation [25.538406069768662]
リモートセンシング画像から所望のオブジェクトをローカライズすることは、実用的な用途において非常に有用である。
与えられた表現が参照する対象を分割することを目的とした画像分割の参照は、自然画像において広範囲に研究されている。
本稿では、このギャップを埋めるため、リモートセンシング画像セグメンテーション(RRSIS)を紹介し、洞察に富んだ探索を行う。
論文 参考訳(メタデータ) (2023-06-14T16:40:19Z) - Zero-shot Composed Text-Image Retrieval [72.43790281036584]
合成画像検索(CIR)の問題点を考察する。
テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
論文 参考訳(メタデータ) (2023-06-12T17:56:01Z) - Data Roaming and Quality Assessment for Composed Image Retrieval [25.452015862927766]
Composed Image Retrieval (CoIR)は、画像とテキストのモダリティを組み合わせたクエリで、ユーザがより効果的にインテントを表現できるようにする。
我々は,既存のものより10倍大きい新しいCoIRデータセットであるLaSCoデータセットを紹介する。
また、新しいCoIRベースラインであるCASE(Cross-Attention driven Shift)も導入する。
論文 参考訳(メタデータ) (2023-03-16T16:02:24Z) - GPR1200: A Benchmark for General-Purpose Content-Based Image Retrieval [2.421459418045937]
本研究では,大規模な事前学習が検索性能を大幅に向上させることを示すとともに,適切な微調整を行うことで,これらの特性をさらに向上させる実験を行う。
これらの有望な成果により、汎用CBIRの研究分野への関心を高めたい。
論文 参考訳(メタデータ) (2021-11-25T15:19:21Z) - Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。
ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文 参考訳(メタデータ) (2021-06-06T15:02:11Z) - Using Text to Teach Image Retrieval [47.72498265721957]
ニューラルネットワークを用いて学習した画像の特徴空間をグラフとして表現するために,画像多様体の概念に基づいて構築する。
我々は、幾何学的に整列したテキストで多様体のサンプルを増補し、大量の文を使って画像について教える。
実験結果から, 結合埋め込み多様体は頑健な表現であり, 画像検索を行うためのより良い基礎となることが示唆された。
論文 参考訳(メタデータ) (2020-11-19T16:09:14Z)
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。