論文の概要: Weakly Supervised Domain Adaptation for Built-up Region Segmentation in
Aerial and Satellite Imagery
- arxiv url: http://arxiv.org/abs/2007.02277v1
- Date: Sun, 5 Jul 2020 10:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 08:40:46.115943
- Title: Weakly Supervised Domain Adaptation for Built-up Region Segmentation in
Aerial and Satellite Imagery
- Title（参考訳）: 航空・衛星画像における領域分割のための弱補正領域適応
- Authors: Javed Iqbal and Mohsen Ali
- Abstract要約: 環境に対する人間の影響,公共政策の影響,一般都市人口分析を理解する上で,構築された地域推定は重要な要素である。
航空や衛星画像の多様性と、この多様性をカバーするラベル付きデータの欠如により、機械学習アルゴリズムの一般化が困難になる。
本稿では,衛星画像と空中画像の課題に対処する新しい領域適応アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 3.8508264614798517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel domain adaptation algorithm to handle the
challenges posed by the satellite and aerial imagery, and demonstrates its
effectiveness on the built-up region segmentation problem. Built-up area
estimation is an important component in understanding the human impact on the
environment, the effect of public policy, and general urban population
analysis. The diverse nature of aerial and satellite imagery and lack of
labeled data covering this diversity makes machine learning algorithms
difficult to generalize for such tasks, especially across multiple domains. On
the other hand, due to the lack of strong spatial context and structure, in
comparison to the ground imagery, the application of existing unsupervised
domain adaptation methods results in the sub-optimal adaptation. We thoroughly
study the limitations of existing domain adaptation methods and propose a
weakly-supervised adaptation strategy where we assume image-level labels are
available for the target domain. More specifically, we design a built-up area
segmentation network (as encoder-decoder), with an image classification head
added to guide the adaptation. The devised system is able to address the
problem of visual differences in multiple satellite and aerial imagery
datasets, ranging from high resolution (HR) to very high resolution (VHR). A
realistic and challenging HR dataset is created by hand-tagging the 73.4 sq-km
of Rwanda, capturing a variety of build-up structures over different terrain.
The developed dataset is spatially rich compared to existing datasets and
covers diverse built-up scenarios including built-up areas in forests and
deserts, mud houses, tin, and colored rooftops. Extensive experiments are
performed by adapting from the single-source domain, to segment out the target
domain. We achieve high gains ranging 11.6%-52% in IoU over the existing
state-of-the-art methods.
- Abstract（参考訳）: 本稿では,衛星と空中画像の課題に対処するための新しい領域適応アルゴリズムを提案する。
環境に対する人間の影響,公共政策の影響,一般都市人口分析を理解する上で,構築された地域推定は重要な要素である。
航空画像と衛星画像の多様性と、この多様性をカバーするラベル付きデータの欠如により、機械学習アルゴリズムはそのようなタスク、特に複数の領域にまたがる一般化が困難になる。
一方,強い空間的文脈と構造が欠如していることから,既存の教師なし領域適応法を適用すれば,サブ最適適応が可能となる。
既存の領域適応手法の限界を徹底的に研究し、対象領域に画像レベルラベルが利用できると仮定して、弱制御された適応戦略を提案する。
具体的には,組込み領域分割ネットワーク (エンコーダデコーダとして) の設計を行い,適応のための画像分類ヘッドを追加した。
このシステムは、高解像度(HR)から超高解像度(VHR)まで、複数の衛星・航空画像データセットの視覚的差異に対処することができる。
現実的で挑戦的なhrデータセットは、73.4平方キロメートルのルワンダを手でタグ付けし、異なる地形にまたがる様々な構築構造をキャプチャすることで作成される。
開発されたデータセットは、既存のデータセットと比較して空間的に豊富で、森林や砂漠、泥の家、スズ、色のついた屋上など、さまざまな組立シナリオをカバーする。
広範な実験は、単一ソースドメインからターゲットドメインを分割するために適応することで行われる。
既存の最先端の手法に比べて、IoUの11.6%-52%の高利得を実現しています。
関連論文リスト
- UrbanCross: Enhancing Satellite Image-Text Retrieval with Cross-Domain Adaptation [44.14603461930746]
UrbanCrossは、クロスドメイン衛星画像テキスト検索のための新しいフレームワークである。
高品質でクロスドメインなデータセットを利用して、3カ国の広範なジオタグを付加する。
実験により、新しい都市環境への検索と適応において、アーバンクロスの優れた効率性が確認された。
論文 参考訳（メタデータ） (2024-04-22T14:53:27Z) - Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。
既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。
本提案では,ガウス分布を用いた地域表現をモデル化する。
論文 参考訳（メタデータ） (2024-03-15T12:41:30Z) - Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。
CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。
実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
論文 参考訳（メタデータ） (2024-01-15T00:27:41Z) - Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。
まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。
そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
論文 参考訳（メタデータ） (2023-09-20T07:37:23Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - Progressive Domain Adaptation with Contrastive Learning for Object
Detection in the Satellite Imagery [0.0]
最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。
本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。
未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
論文 参考訳（メタデータ） (2022-09-06T15:16:35Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Cross-Region Building Counting in Satellite Imagery using Counting
Consistency [8.732274235941974]
都市分析、災害管理、公共政策決定に欠かせない要素である。
衛星画像のローカライズとカウントのためのディープラーニング手法は、実現可能で安価な代替手段として機能する。
しかし、これらのアルゴリズムは、訓練されていない領域に適用した場合、性能劣化に悩まされる。
論文 参考訳（メタデータ） (2021-10-26T10:36:56Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z)
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。