Fugu-MT 論文翻訳(概要): High Definition image classification in Geoscience using Machine Learning

論文の概要: High Definition image classification in Geoscience using Machine Learning

arxiv url: http://arxiv.org/abs/2010.03965v1
Date: Fri, 25 Sep 2020 17:30:03 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 23:25:46.343900
Title: High Definition image classification in Geoscience using Machine Learning
Title（参考訳）: 機械学習を用いた地球科学における高精細画像分類
Authors: Yajun An, Zachary Golden, Tarka Wilcox, Renzhi Cao
Abstract要約: ドローンで撮影されたHDデジタル写真は、地球科学の研究で広く使われている。ぼやけた画像はしばしば収集されたデータで撮影され、ぼやけた画像とはっきりした画像を区別するのに多くの時間と労力がかかります。本研究では,SVM(Support Vector Machine)やNN(Neural Network)などの機械学習技術を用いて,GeoscienceのHDイメージを明瞭でぼやけたものとして分類する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High Definition (HD) digital photos taken with drones are widely used in the study of Geoscience. However, blurry images are often taken in collected data, and it takes a lot of time and effort to distinguish clear images from blurry ones. In this work, we apply Machine learning techniques, such as Support Vector Machine (SVM) and Neural Network (NN) to classify HD images in Geoscience as clear and blurry, and therefore automate data cleaning in Geoscience. We compare the results of classification based on features abstracted from several mathematical models. Some of the implementation of our machine learning tool is freely available at: https://github.com/zachgolden/geoai.
Abstract（参考訳）: ドローンで撮影した高精細(HD)デジタル写真は地球科学の研究で広く使われている。しかし、ぼやけた画像はしばしば収集されたデータで撮影され、鮮明な画像をぼやけた画像と区別するのに多くの時間と労力がかかる。本研究では,SVM(Support Vector Machine)やNN(Neural Network)といった機械学習技術を用いて,GeoscienceのHD画像を明瞭でぼやけたものと分類し,Geoscienceのデータクリーニングを自動化する。いくつかの数学的モデルから抽象化された特徴に基づいて分類結果を比較する。私たちの機械学習ツールの実装は、https://github.com/zachgolden/geoai.orgから無料で利用できます。

関連論文リスト

GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文参考訳（メタデータ） (2023-09-27T20:54:56Z)
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
Real-Time Semantic Segmentation using Hyperspectral Images for Mapping Unstructured and Unknown Environments [2.408714894793063]
本稿では,ハイパースペクトル画像を用いた実時間画素単位のセマンティック分類とセグメンテーションを提案する。得られたセグメント画像は、ポリゴンとして抽出、フィルタリング、近似オブジェクトとして処理される。得られたポリゴンは環境のセマンティックマップを生成するために使用される。
論文参考訳（メタデータ） (2023-03-27T22:33:55Z)
Coarse-to-fine Task-driven Inpainting for Geoscience Images [1.7741871563668714]
本稿では,高度可視化品質を同時に向上させるため,閉鎖領域の修復を目標とする。地学画像の複雑なコンテキストから,粗大から細大のエンコーダ・デコーダネットワークを提案する。
論文参考訳（メタデータ） (2022-11-20T19:14:51Z)
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)
OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer Learning for Telepresence Robotics [124.08684545010664]
画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
論文参考訳（メタデータ） (2022-02-21T13:23:15Z)
AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文参考訳（メタデータ） (2022-01-31T20:02:22Z)
A Framework for Fast Scalable BNN Inference using Googlenet and Transfer Learning [0.0]
本論文は、リアルタイム性能の良い物体検出の高精度化を目指します。バイナライズニューラルネットワークは、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など、さまざまな視覚タスクで高いパフォーマンスを発揮しています。その結果,移動学習法により検出された物体の精度は,既存手法と比較して高いことがわかった。
論文参考訳（メタデータ） (2021-01-04T06:16:52Z)
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)
Satellite Image Classification with Deep Learning [0.0]
IARPA関数マップ(FMoW)データセットから対象物や施設を63のクラスに分類する深層学習システムについて述べる。このシステムは、畳み込みニューラルネットワークと、衛星メタデータと画像特徴を統合する追加のニューラルネットワークのアンサンブルで構成されている。執筆時点では、このシステムはfMoW TopCoderコンペティションで2位だ。
論文参考訳（メタデータ） (2020-10-13T15:56:58Z)
Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。